MLOps: Deploy Model Machine Learning & Deep Learning

Kenapa model memburuk setelah dirilis, apa bedanya inferensi batch dan online, dan apa yang harus dipantau.

1. 1Kenapa Model Memburuk di ProduksiGratis
2. 2Training-Serving Skew
3. 3Inferensi Batch vs Online
4. 4Daftar Periksa Desain Sistem ML

Dari notebook ke layanan: menyimpan model, API dengan FastAPI, dan container Docker yang bisa diulang.

1. 1Menyimpan Model dengan Benar
2. 2API Model dengan FastAPI
3. 3Container dengan Docker

GPU, batching, kuantisasi, dan format seperti ONNX — membuat model besar cukup cepat dan cukup murah.

1. 1Latensi, Throughput, dan Batching
2. 2ONNX dan Optimasi Model
3. 3Kuantisasi
4. 4Menyajikan LLM

Pelacakan eksperimen, model registry, dan pipeline otomatis dari data mentah sampai model yang dirilis.

1. 1Pelacakan Eksperimen dan Model Registry
2. 2Pipeline Pelatihan
3. 3CI/CD untuk Machine Learning

Deteksi drift, performa dengan label terlambat, strategi pelatihan ulang, dan rilis yang aman.

1. 1Mendeteksi Data Drift
2. 2Strategi Pelatihan Ulang
3. 3Shadow dan Canary Deployment

Satu model, dari notebook sampai layanan di cloud yang dipantau — semua bagian track ini dalam satu proyek.

1. 1Memilih Infrastruktur Cloud
2. 2Proyek Akhir: Rilis dan Pantau