MLOps

Strategi Artificial Intelligence (AI)

Vidhi Chugh

AI strategist and ethicist

Operasionalisasi

Membawa model AI lanjutan ke operasi harian.

Model AI lanjutan

Kontrol versi kode dan data

Eksperimen menghasilkan banyak versi kode

Eksperimen menghasilkan banyak versi kode

Dikelola lewat sistem kontrol versi

Versi data

Versi data

Data baru atau fitur baru

Portabilitas

Lingkungan proyek ML
- Pelatihan
- Validasi
- Produksi

Konsisten sepanjang siklus hidup
- Library
- Framework
- Versi

Library, framework, dan versi

Waktu yang tepat untuk berpikir!

Mengelola berbagai versi dan dependensi

Fokus pada nilai bisnis langsung

Fokus pada nilai bisnis langsung

Skalabilitas dan arsitektur dipikirkan belakangan

Skalabilitas dan arsitektur

Pendekatan ad-hoc menimbulkan tantangan

Manajemen data otomatis

Upaya menyiapkan ulang data latih
Error, perubahan, atau pembaruan
Manajemen data otomatis untuk kualitas
Pemeriksaan kualitas dan peringatan

Error, perubahan, atau pembaruan

Manajemen data otomatis untuk kualitas

Pemeriksaan kualitas dan peringatan

Perlu otomatisasi

Intervensi manual = lambat
- Kinerja model menurun
- Analisis error
- Tindakan korektif

Intervensi manual

Kinerja model

Waktu berlalu cukup lama
Prediksi salah
Dampak negatif

Refactor kode

Refactor kode awal

Kurang praktik rekayasa inti

Perlu refactor kode awal
- Risiko signifikan
- Logika asli disalahpahami atau salah diterapkan

Ciri arsitektur efisien

Sistem andal butuh upaya
MLOps = standarisasi proses dan pipeline otomatis

Otomatisasi:
- Modul dapat digunakan ulang - produk data, kode
- Kerangka uji otomatis
- Mengurangi risiko refactor

Otomatisasi

Ciri arsitektur efisien

Docker membundel model dengan lingkungan

Docker membundel model dengan lingkungan
Lebih sedikit intervensi manual = siklus hidup efisien
Mempertahankan kinerja model itu menantang

MLOps untuk memantau model
- 30% lebih sedikit model dishelve
- Nilai naik 60%

Ayo berlatih!

Strategi Artificial Intelligence (AI)

Preparing Video For Download...