Materi 25 - Programming dan Data Science

Model Deployment dan MLOps

Bawa model dari notebook ke production. Pipeline, monitoring, retraining.

Durasi 28 Menit Level advanced Kurikulum 30 Materi

1. Beda Notebook dan Production

Notebook untuk eksperimen. Production butuh stability, scalability, monitoring. Banyak model bagus mati di notebook karena ngga pernah deploy. Bridge ini adalah MLOps.

2. Cara Deploy

REST API (FastAPI, Flask). Batch prediction (cron job). Streaming (Kafka). Edge (mobile, IoT). Pilih sesuai use case latency dan throughput requirement.

3. Containerization

Docker bungkus model plus dependencies jadi 1 container. Reproducible across environment. Deploy ke Kubernetes untuk scaling. Standar industri untuk ML deployment.

4. Monitoring

Track model performance di production. Data drift (distribusi input berubah). Concept drift (relasi input-output berubah). Alert kalau metric drop. Auto-trigger retraining.

5. CI/CD untuk ML

Continuous Integration: test code ketika commit. Continuous Deployment: deploy auto kalau test pass. Tools: GitHub Actions, Jenkins, MLflow, Kubeflow. Bawa best practice software ke ML.

Tugas Praktik

  1. Deploy model dengan FastAPI
  2. Containerize dengan Docker
  3. Setup monitoring dengan Prometheus dan Grafana
  4. Implementasi A/B test untuk dua versi model
  5. Bangun pipeline MLflow untuk experiment tracking

Rangkuman