MLOps Flow - Development, Serving and Monitoring

Back to IF4054 Pengoperasian Sistem Perangkat Lunak

MLOps Flow - Development, Serving and Monitoring

Questions/Cues

• Apa saja tahapan dalam alur MLOps?
• Apa isi tahap model development?
• Bagaimana model yang sudah divalidasi disajikan (serving)?
• Mengapa monitoring memicu iterasi baru?

Reference Points

• IF4054 DevOps to MLOps + DataOps (Slides 9-12)

Alur MLOps

Alur MLOps bersifat siklus: data disiapkan, model dikembangkan, divalidasi, di-deploy, lalu dimonitor; hasil monitoring dapat memicu iterasi baru.

flowchart TD
    D["Data<br/>gathering and prep"] --> M["Model<br/>development"]
    M --> V["Validation"]
    V --> S["Deployment<br/>and serving"]
    S --> MO["Monitoring"]
    MO -->|"drift atau<br/>performa turun"| D

Model Development

Tujuh langkah pada slide:

1. Establish business objectives — tentukan masalah bisnis dan metrik keberhasilan.
2. Data sources — identifikasi dan akses sumber data.
3. Exploratory Data Analysis (EDA) — pahami distribusi dan kualitas data.
4. Feature engineering and selection.
5. Training and evaluation.
6. Validation — uji pada data yang belum pernah dilihat.
7. Reproducibility — hasil harus dapat diulang (data, kode, parameter, lingkungan).

Deployment and Serving

Model tervalidasi di-deploy ke lingkungan target. Opsi pada slide:

• Microservice dengan REST API untuk prediksi online.
• Embedded model pada perangkat edge atau mobile.
• Bagian dari batch prediction system.

Monitoring

Performa model dipantau terus-menerus; penurunan performa (mis. akibat drift) dapat memicu iterasi baru pada proses ML.

Summary

Alur MLOps adalah siklus: persiapan data → model development (tujuan bisnis, sumber data, EDA, feature engineering, training/evaluasi, validasi, reproducibility) → deployment dan serving (REST microservice, embedded edge/mobile, atau batch) → monitoring yang dapat memicu iterasi baru. Reproducibility dan monitoring terhadap drift adalah pembeda utama dari DevOps biasa.

Additional Information

Jenis Drift

Data drift (distribusi input berubah) dan concept drift (hubungan input-output berubah) adalah dua pemicu retraining yang umum. Deteksinya biasanya memakai uji statistik pada distribusi fitur dan pemantauan metrik performa.

Proyek Eksplorasi Mandiri

1. Sajikan model sederhana sebagai REST API (FastAPI) dalam container, lalu catat latensi dan input yang dilihatnya sebagai bahan monitoring.

Bacaan Lanjutan

• Google Cloud — MLOps: Continuous delivery and automation pipelines in machine learning.