Studi kasus MLOps: Meningkatkan laba dengan MLOps

MLOps untuk Bisnis

Arne Jonas Warnke

Head of Emerging Curriculum

Studi kasus nyata

$$

$$

Studi kasus

$$

  • Dunia nyata
  • Untuk menyatukan semua
MLOps untuk Bisnis

Studi kasus: permintaan dan ketersediaan air pendingin

$$

Pertanyaan bisnis:

Prediksi jumlah air pendingin yang diperlukan dan tersedia dalam dua minggu ke depan

Agar siap menghadapi potensi bottleneck produksi.

$$

MLOps untuk Bisnis

Pemodelan air pendingin

$$

Memprediksi air pendingin untuk

  • per jam
  • dua minggu ke depan

$$

24 jam * 14 hari = 336 ramalan (tiap jam)

$$

Disajikan dalam dashboard

  • untuk manajemen dan insinyur
MLOps untuk Bisnis

Pemodelan air pendingin

$$

Peramalan berbasis

  • Data internal
    • Sensor
    • Perencanaan produksi

$$

  • Data eksternal
    • Prakiraan cuaca

$$

MLOps untuk Bisnis

Tim

$$

Komposisi tim:

  • Data scientist
  • Data engineer
  • Data architect
  • Backend engineer (sesekali)

Tanpa software engineer

MLOps untuk Bisnis

Kolaborasi

$$

$$

Kolaborasi

$$

  • Tidak ada pemisahan dev dan ops
  • Otonom
  • Cepat merespons hal tak terduga
MLOps untuk Bisnis

Perkembangan proyek

  1. Minggu awal
    • Tujuan bisnis jelas
    • Pipeline data
    • Model baseline

$$

  1. Jangka menengah
    • Data lebih baik
    • Model lebih baik

$$

MLOps untuk Bisnis

Perkembangan proyek - infrastruktur

  1. Minggu awal
    • Tujuan bisnis jelas
    • Pipeline data
    • Model baseline
    • Infrastruktur awal

$$

  1. Jangka menengah
    • Data lebih baik
    • Model lebih baik
    • Infrastruktur lebih baik

$$

Logo GitLab

MLOps untuk Bisnis

Kesimpulan

$$

Proyek berhasil

  • Tujuan bisnis tercapai
  • Info berharga di saat kritis

$$

Namun

  • beberapa downtime
  • gagal merapikan aplikasi

$$

MLOps untuk Bisnis

Kematangan MLOps kami

$$

Level Deskripsi Sorotan
0 Tanpa MLOps Tim terkotak, proses manual
1 DevOps tanpa MLOps Tim terkotak, pengumpulan data otomatis, uji otomatis awal
2 Pelatihan otomatis Kolaborasi lebih baik, reprodusibilitas, deployment lebih mudah
3 Deployment otomatis Kolaborasi baik, reprodusibilitas penuh, keterlacakan, pengujian otomatis
4 Pelatihan ulang otomatis Kolaborasi penuh, operasi matang, sangat sedikit downtime
1 https://learn.microsoft.com/en-us/azure/architecture/example-scenario/mlops/mlops-maturity-model
MLOps untuk Bisnis

Ayo berlatih!

MLOps untuk Bisnis

Preparing Video For Download...