Otomatisasi

Mengembangkan Model Machine Learning untuk Produksi

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Pengantar otomasi ML

  • Otomatisasi memastikan keandalan & efisiensi pipeline ML
  • Mengurangi risiko kesalahan manusia
  • Merapikan proses pengembangan & deployment
  • Empat prinsip utama MLOps:
    • Continuous Integration (CI)
    • Continuous Deployment (CD)
    • Continuous Training (CT)
    • Continuous Monitoring (CM)
Mengembangkan Model Machine Learning untuk Produksi

Empat prinsip otomasi

Continuous Integration (CI) Sering mengintegrasikan perubahan kode ke repositori bersama coding

Continuous Delivery (CD) Membangun, menguji, dan mendistribusikan perubahan kode secara otomatis package

Continuous Training (CT) Melatih & memperbarui model terus-menerus dengan data baru

brain

Continuous Monitoring (CM) Memantau kinerja dan akurasi model secara berkelanjutan monitor

Mengembangkan Model Machine Learning untuk Produksi

Continuous integration dan delivery

Continuous Integration (CI)

  • Menjaga kode selalu dalam kondisi bekerja
  • Mengurangi risiko kesalahan manusia
  • Menangkap masalah lebih awal

Continuous Delivery (CD)

  • Deployment model cepat & konsisten
  • Mempercepat ke produksi
  • Mengurangi risiko kesalahan manusia

Alat CI/CD: Git, AWS CodePipeline, Jenkins, Travis CI

jenkins

Mengembangkan Model Machine Learning untuk Produksi

Pelatihan dan pemantauan berkelanjutan

Continuous Training (CT)

  • Menjaga akurasi model & tetap terbaru
  • Mengurangi risiko degradasi model
  • Mempercepat pelatihan ulang

Continuous Monitoring (CM)

  • Mengurangi risiko degradasi model
  • Meningkatkan akurasi keseluruhan
  • Akses metrik ML yang konsisten & andal
  • Deteksi masalah lebih dini

monitor

Mengembangkan Model Machine Learning untuk Produksi

Contoh otomasi ML skala besar

  1. CI: Kode model di-commit ke Git.

  2. CD: Kode yang di-commit dibangun dan diuji dengan alat CI/CD seperti Jenkins. Jika lolos, kita deploy.

    • Model diserialisasi.
    • Dependensi disiapkan dengan Docker.
    • Image Docker dideploy.

  3. CM: Kinerja model dipantau terus-menerus.

    • Monitoring menginformasikan keputusan soal model.
    • Alat CM mencakup Prometheus & Grafana

  4. CT: Model dilatih dengan data baru.

  5. Kode baru ditulis / model diperbarui ... kembali ke langkah 1

Mengembangkan Model Machine Learning untuk Produksi

Ayo berlatih!

Mengembangkan Model Machine Learning untuk Produksi

Preparing Video For Download...