Bab ini akan membekali Anda dengan keterampilan dan pengetahuan yang dibutuhkan untuk memindahkan model Machine Learning dari fase riset dan pengembangan ke lingkungan produksi. Anda akan mempelajari proses perubahan dari prototipe riset menjadi sistem yang andal, dapat diskalakan, dan mudah dipelihara.

Mengadopsi pola pikir MLOps

Apa aspek kunci dari MLOps?

Apa itu technical debt?

Menulis kode ML yang mudah dipelihara

Pengendali versi

Organisasi kode

Menulis dokumentasi ML yang efektif

Mengapa mendokumentasikan metode pelabelan?

Praktik terbaik MLOps

Berpindah dari Riset ke Produksi

Di bab ini, Anda akan mempelajari pentingnya reprodusibilitas dalam Machine Learning, serta cara memastikan model Anda tetap dapat direproduksi dan andal dari waktu ke waktu. Anda akan mengeksplorasi berbagai teknik dan praktik terbaik yang dapat digunakan untuk menjamin reprodusibilitas model.

Merancang eksperimen yang dapat direproduksi

Reproducibility dalam ML

Mengidentifikasi Aspek Kunci untuk Reproducibility dan Reliabilitas

Mengelompokkan Elemen Reliabilitas

Mengelompokkan Aspek Reprodusibilitas dan Praktik Dokumentasi

Rekayasa fitur

Mengklasifikasikan Tujuan & Teknik Feature Engineering

Mengidentifikasi Teknik Manipulasi dan Transformasi Data

Seleksi fitur

Versioning data dan model

Model store

Versioning data pelatihan

Memastikan reprodusibilitas

 Menjamin Reprodusibilitas

Pada Bab 3, Anda akan menelaah berbagai tantangan yang terkait dengan penerapan model Machine Learning ke lingkungan produksi. Anda akan mempelajari beragam pendekatan untuk menerapkan model ML di produksi serta strategi untuk memantau dan memelihara model ML dalam produksi.

Membungkus model ML

Tujuan serialisasi dan kontainerisasi

Urutan pengemasan model

Skalabilitas

Penskalaan

Kompleksitas model

Mengategorikan teknik penskalaan

Otomatisasi

Manfaat continuous delivery

Langkah-langkah CI/CD

Menerapkan model ML ke produksi

ML di Lingkungan Produksi

Di bab terakhir, Anda akan mempelajari berbagai cara untuk menguji pipeline Machine Learning dan memastikan kinerjanya sesuai harapan. Anda akan memahami pentingnya pengujian pipeline ML serta mempelajari teknik untuk menguji dan memvalidasi pipeline ML.

Keandalan model

Options

Testing Pipeline Readiness

Testing for Pipeline Staleness

Mengategorikan Strategi Pengujian untuk Kesiapan dan Keusangan Pipeline ML

Mengatasi Model Staleness dalam Pipeline Machine Learning

Menguji data

Memilih pengujian yang tepat

Pemeriksaan konsistensi

Pengujian model

Memprediksi customer lifetime value

Pilihan

Individual Fairness

Group Fairness

Mengklasifikasikan keadilan

Opsi

Pengujian Kode Penghasil Model

Pengujian Data

Pengujian Model

Menguji ML pipeline

Selamat!

Pengujian Pipeline ML

Sebagian besar konten terkait Machine Learning saat ini berfokus pada pelatihan model dan penyesuaian parameter, tetapi 90% model eksperimental tidak pernah masuk ke produksi, terutama karena tidak dibangun untuk berumur panjang. Dalam kursus ini, Anda akan melihat bagaimana mengubah pola pikir dari rekayasa Machine Learning ke MLOps (Machine Learning Operations) akan memungkinkan Anda melatih, mendokumentasikan, memelihara, dan meningkatkan skala model hingga mencapai potensi maksimalnya.

Sebagian besar konten terkait machine learning saat ini berfokus pada pelatihan model dan penyesuaian parameter, tetapi 90% model eksperimental tidak pernah sampai ke tahap produksi, terutama karena model-model tersebut tidak dirancang untuk bertahan lama. Dalam kursus ini, Anda akan melihat bagaimana mengubah pola pikir Anda dari pola pikir insinyur machine learning menjadi pola pikir MLOps (Machine Learning Operations) akan memungkinkan Anda untuk melatih, mendokumentasikan, memelihara, dan menskalakan model Anda hingga potensi maksimalnya.
Eksperimen dan Dokumentasikan dengan Mudah
Bereksperimen dengan model ML seringkali menyenangkan tetapi bisa memakan waktu. Di sini, Anda akan belajar cara merancang eksperimen yang dapat direproduksi untuk mempercepat proses ini sambil menulis dokumentasi untuk diri sendiri dan rekan tim Anda, sehingga pekerjaan di masa depan pada pipeline menjadi lebih mudah.
Bangun Model MLOps untuk Produksi
Anda akan mempelajari praktik terbaik untuk mengemas dan menserialisasi baik model maupun lingkungan untuk produksi guna memastikan bahwa model-model tersebut dapat bertahan selama mungkin.
Skalakan dan Otomatiskan Pipelines ML Anda
Dengan mempertimbangkan kompleksitas model dan data serta otomatisasi berkelanjutan, Anda dapat memastikan bahwa model-model Anda akan diskalakan untuk penggunaan produksi dan dapat dipantau serta diimplementasikan dalam sekejap.

Setelah Anda menyelesaikan kursus ini, Anda akan mampu merancang dan mengembangkan model pembelajaran mesin yang siap untuk diimplementasikan dalam produksi dan terus memperbaikinya seiring waktu.

MLOps Concepts

Supervised Learning with scikit-learn

Beralih ke pola pikir MLOps untuk melatih, mendokumentasikan, memelihara, dan menskalakan model ML Anda.

Mengembangkan Model Machine Learning untuk Produksi

Dasar-Dasar MLOps

Skor kredit dan pendapatan sama, tetapi suku bunga berbeda

Dua kandidat memiliki kualifikasi dan pengalaman yang sangat mirip, tetapi satu ditolak di putaran pertama sedangkan yang lain mendapatkan pekerjaan.

Model layanan kesehatan lebih kecil kemungkinannya merekomendasikan perawatan yang bermanfaat bagi orang yang bekerja di pabrik karena mereka mungkin menimbulkan terlalu banyak biaya.

Iklan online yang lebih sering menampilkan peluang kerja bergaji tinggi kepada pria dibandingkan wanita

Kurang akurat untuk orang dengan warna kulit lebih gelap

Polisi menggunakan teknologi pengenalan wajah yang kurang akurat untuk tipe individu tertentu, sehingga berakibat pada penangkapan yang keliru

Mengklasifikasikan keadilan

Mengembangkan Model Machine Learning untuk Produksi

Latihan interaktif langsung