Bab ini memberikan gambaran tingkat tinggi tentang prinsip-prinsip MLOps dan komponen kerangka kerja yang penting untuk penyebaran dan siklus hidup.

Kerangka kerja MLOps modern

Alur kerja ML

Manfaat MLOps

Tahapan siklus hidup

Aplikasi vs. model

Penghentian (Decommissioning)

Siklus hidup model: rangkuman

Komponen MLOps

Rangkaian otomatis

Penyimpanan dan registry

DevOps atau MLOps?

MLOps Secara Ringkas

Bab ini membahas semua pertimbangan yang perlu kita lakukan sejak tahap pengembangan, agar ketika memasuki tahap operasional semuanya berjalan mulus.

Tujuan utama kita adalah menjelaskan cara melatih model menggunakan praktik terbaik MLOps dan membangun paket model yang memungkinkan penyebaran yang lancar, keterulangan, serta pemantauan pascapenyebaran.

Pengembangan berorientasi deployment

Menguji model machine learning Anda

Waktu terbaik untuk mulai melakukan deployment

Profiling, versioning, dan feature store

Properti feature store

Manfaat profiling dan feature store

Memastikan reproduksibilitas

Pipa pembangunan model dalam CI/CD

Pipeline yang berbeda

Properti model build pipeline

Integrasi CI/CD

Pengemasan model

Format model

Paket lengkap

Mengembangkan untuk Penyebaran

Bab ini membahas pertanyaan penting seputar operasi model, seperti:
- Apa saja cara berbeda untuk menyajikan model kita?
- Apa itu API, dan apa fungsi kuncinya?
- Bagaimana kita menguji layanan secara menyeluruh sebelum tersedia bagi pengguna akhir?
- Bagaimana kita memperbarui model di produksi tanpa mengganggu layanan?

Anda akan mempelajari prediksi batch, prediksi waktu nyata, validasi data masukan dan keluaran, unit testing, integration testing, canary deployment, dan banyak lagi.

Mode penyajian

Luring atau daring?

Ketika waktu penting — sedikit

Membangun API

Klien-server

Fungsionalitas API

Perkembangan deployment dan pengujian

Tes yang mana?

Progres melalui lingkungan

Pengujian per lingkungan

Strategi penerapan model

Strategi penerapan yang tepat

Urutan risiko

Bayangan dari bayangan

Menyebarkan dan Menjalankan

Bab terakhir ini membahas pemantauan dan pemeliharaan layanan ML setelah disebarkan, serta tata kelola model.

Anda akan mempelajari konsep penting seperti verification latency, pergeseran kovariat, concept drift, sistem human-in-the-loop, dan lainnya.


Memantau layanan ML

Opsi

Benar

Salah

Shift vs drift

Latensi

Sudah?

Pemantauan dan peringatan

Sistem pemantauan

Peringatan (Alerting)

Pemeliharaan model

Pendekatan data-centric

Pendekatan model-centric

Data-centric vs Model-centric

Human-in-the-Loop

Tata kelola model

Termasuk dalam cakupan tata kelola model

Tidak termasuk dalam cakupan tata kelola model

Elemen tata kelola

Perancangan

Pengembangan

Operasi

Tahapan tata kelola

Klasifikasi risiko

Penutup

Memantau dan Memelihara

Jelajahi kerangka kerja MLOps modern, termasuk siklus hidup dan penyebaran model machine learning. Dalam kursus ini, Anda akan belajar menulis kode ML yang meminimalkan utang teknis, menemukan alat yang diperlukan untuk menyebarkan dan memantau model Anda, serta menelaah berbagai jenis lingkungan dan analitik yang akan Anda temui.

Setelah Anda mengumpulkan, menyiapkan, dan memberi label pada data, menjalankan banyak eksperimen pada berbagai model, dan membuktikan konsep dengan model juara, saatnya melangkah ke tahap berikutnya. Bangun. Sebarkan. Pantau. Rawat. Itulah siklus hidup model Anda ketika ditujukan untuk produksi. Itulah bagian Ops dalam MLOps.

Kursus ini akan menunjukkan cara menavigasi bab kedua dari perjalanan model Anda menuju penyampaian nilai, sekaligus menetapkan tolok ukur untuk banyak langkah berikutnya.

<h2>MLOps Deployment dan Pengelolaan Siklus Hidup</h2>

Jelajahi kerangka kerja MLOps modern, termasuk siklus hidup dan deployment model machine learning. Dalam kursus ini, Anda akan belajar menulis kode ML yang meminimalkan utang teknis, mengenal alat-alat yang diperlukan untuk mengimplementasikan dan memantau model Anda, serta mengeksplorasi berbagai jenis lingkungan dan analisis yang akan Anda temui.

<h2>Pelajari Tentang Siklus Hidup MLOps</h2>
Setelah Anda mengumpulkan, menyiapkan, dan memberi label pada data Anda, menjalankan berbagai eksperimen pada model yang berbeda, dan membuktikan konsep Anda dengan model terbaik, saatnya untuk langkah selanjutnya. Bangun Deploy. Monitor. Pertahankan. Itulah siklus hidup model Anda setelah ditentukan untuk produksi. Itulah bagian Ops dari MLOps.

Kursus ini akan menunjukkan kepada Anda cara menavigasi bab kedua dalam perjalanan model Anda menuju pengiriman nilai, yang akan menjadi acuan bagi banyak bab berikutnya. Anda akan memulai dengan mengeksplorasi siklus hidup MLOps, memahami pentingnya MLOps, dan komponen fungsional utama untuk pengembangan model, deployment, pemantauan, dan pemeliharaan.
<h2>Mengembangkan Kode ML untuk Deployment</h2>
Selanjutnya, Anda akan belajar cara mengembangkan model untuk implementasi dan cara menulis kode ML yang efektif, memanfaatkan alat-alat, serta melatih pipeline ML. Seiring dengan kemajuan Anda, Anda akan mempelajari cara mengimplementasikan model Anda, menjelajahi berbagai lingkungan implementasi, dan kapan sebaiknya menggunakan masing-masing lingkungan tersebut. Anda juga akan mengembangkan strategi untuk mengganti model produksi yang ada dan menganalisis antarmuka pemrograman aplikasi (API).
<h2>Pelajari Cara Memantau Model Anda</h2>
Seiring Anda menyelesaikan kursus ini, Anda akan memahami metrik kinerja yang penting dalam memantau dan memelihara model pembelajaran mesin (ML) Anda. Anda akan mempelajari pemantauan drift dalam produksi, serta umpan balik model, pembaruan, dan tata kelola.

Setelah Anda selesai, Anda akan memahami cara menggunakan siklus hidup MLOps untuk mengimplementasikan model Anda sendiri di lingkungan produksi.


MLOps Concepts

Dalam kursus ini, Anda akan mempelajari kerangka MLOps modern dan penerapan model pembelajaran mesin.

Penyebaran dan Siklus Hidup MLOps

Dalam kursus ini, Anda akan mempelajari kerangka kerja MLOps modern, termasuk siklus hidup dan deployment model machine learning. 

Insinyur Pembelajaran Mesin

Dasar-Dasar MLOps

Memantau data input sudah cukup untuk mendeteksi covariate shift

Concept drift hanya dapat dikonfirmasi menggunakan ground truth

Concept drift adalah ukuran seberapa besar proses nyata yang dimodelkan telah berubah sejak kita melatih model

Jika covariate shift terdeteksi, pasti concept drift juga telah terjadi

Jika tidak ada covariate shift, maka tidak mungkin terjadi concept drift

Model memburuk dengan mulai menghasilkan output yang berbeda untuk data input yang sama

Shift vs drift

Penyebaran dan Siklus Hidup MLOps

Latihan interaktif langsung