Back to IF4054 Pengoperasian Sistem Perangkat Lunak
MLOps Motivation and Benefits
Questions/Cues
- Apa yang membedakan perangkat lunak berbasis ML dari perangkat lunak biasa?
- Mengapa membangun model saja tidak cukup?
- Apa motivasi dan manfaat MLOps?
- Apa hubungan MLOps dengan DevOps?
Reference Points
- IF4054 DevOps to MLOps + DataOps (Slides 2-8)
Karakteristik Perangkat Lunak Berbasis ML
Sistem ML punya ciri khusus yang tidak ada pada software konvensional:
- Data dependency — bergantung pada ingestion, kualitas, konsistensi, dan sensitivitas data.
- Model drift — performa menurun seiring waktu sehingga perlu monitoring dan retraining berkala.
- Experimental & interaction — banyak eksperimen, sehingga versi model perlu dikontrol dan dilacak.
- Specialized tools & techniques — dan perlu integrasi dengan tim data science.
- Model performance — butuh evaluasi kontinu dan feedback loop.
Motivasi MLOps
Membawa model ke dunia nyata lebih dari sekadar membangunnya. Notebook yang akurat belum tentu bisa di-deploy, dipantau, dan diperbarui secara andal. Motivasi MLOps:
- Accelerated time to market
- Improved model performance
- Enhanced collaboration (data scientist, engineer, ops)
- Reduced risk
- Scalability
Manfaat
Increased efficiency, improved model reliability, enhanced governance, cost reduction, dan competitive advantage.
Posisi MLOps terhadap DevOps
DevOps : Software Engineering = MLOps : Machine Learning Engineering. MLOps berarti mengembangkan, menguji, men-deploy, memonitor, dan mengoperasikan sistem ML dengan prinsip dan praktik DevOps, serta sama-sama bergantung pada integrasi dan otomasi.
Tugas dalam MLOps
- Data: mengumpulkan, memproses data mentah, analisis, persiapan.
- Model: pengembangan, serving, pemantauan kesehatan model.
- Orchestration and governance.
Sistem ML bergantung pada data, mengalami model drift, penuh eksperimen, dan butuh evaluasi kontinu, sehingga membangun model saja tidak cukup. MLOps menerapkan prinsip DevOps pada siklus hidup ML (develop, test, deploy, monitor, operate). Manfaatnya: time-to-market lebih cepat, performa dan reliabilitas model lebih baik, kolaborasi lebih baik, risiko dan biaya lebih rendah, governance lebih kuat, serta skalabilitas. Tugas MLOps mencakup data, model, dan orchestration/governance.
Additional Information
Technical Debt pada Sistem ML
Makalah Sculley dkk. Hidden Technical Debt in Machine Learning Systems menunjukkan bahwa kode model hanya sebagian kecil dari sistem ML; sisanya data pipeline, konfigurasi, serving, dan monitoring. Ini alasan MLOps dibutuhkan.
Proyek Eksplorasi Mandiri
- Ambil model sederhana (mis. klasifikasi scikit-learn), lalu catat apa saja yang perlu dilacak agar hasilnya reproducible: data, parameter, kode, dan lingkungan.
Bacaan Lanjutan
- Sculley dkk. (2015) — Hidden Technical Debt in Machine Learning Systems.
- Huyen — Designing Machine Learning Systems.