Sistem ML di Produksi
Kenapa model memburuk setelah dirilis, apa bedanya inferensi batch dan online, dan apa yang harus dipantau.
- 4 pelajaran
- 1j 4m
- 4 simulasi
Pelacakan eksperimen, model registry, dan pipeline otomatis dari data mentah sampai model yang dirilis.
Hanya saran, tidak pernah mengunci — Anda bisa mulai di sini.
Judul dan ringkasan setiap pelajaran terbuka untuk umum. Isi pelajarannya terbuka setelah Anda memiliki jalurnya.
Semua pelajaran di MLOps: Deploy Model Machine Learning & Deep LearningMencatat parameter, metrik, dan artefak setiap run secara otomatis, lalu mempromosikan model ke produksi lewat registry — bukan dengan menimpa file.
Enam langkah yang bisa diulang dari data mentah ke model yang divalidasi — dan kenapa validasi data serta preprocessing di dalam model adalah bagian yang menyelamatkan Anda.
Menguji kode, data, dan perilaku model sebelum setiap rilis — dan gerbang yang membandingkan challenger dengan champion pada data uji yang dibekukan.
Kenapa model memburuk setelah dirilis, apa bedanya inferensi batch dan online, dan apa yang harus dipantau.
Dari notebook ke layanan: menyimpan model, API dengan FastAPI, dan container Docker yang bisa diulang.
GPU, batching, kuantisasi, dan format seperti ONNX — membuat model besar cukup cepat dan cukup murah.
Deteksi drift, performa dengan label terlambat, strategi pelatihan ulang, dan rilis yang aman.