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
Satu model, dari notebook sampai layanan di cloud yang dipantau — semua bagian track ini dalam satu proyek.
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 LearningServerless, container terkelola, atau VM — dipilih dari tiga angka yang harus Anda ketahui dulu: volume permintaan, anggaran latensi, dan apakah ada GPU.
Satu model nyata, dari pipeline pelatihan yang dilacak sampai API dalam container, CI, job drift malam hari, dan runbook — semua bagian track ini dalam satu repo yang bisa dijalankan orang lain.
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.
Pelacakan eksperimen, model registry, dan pipeline otomatis dari data mentah sampai model yang dirilis.