MLOps dasar: tracking eksperimen
M2 — Machine Learning Engineering
MLOps: Mengelola Siklus Hidup Model
Model machine learning bukan artefak statis, melainkan kode + data + parameter yang terus berevolusi.
1. Eksperimen yang Terukur (Experiment Tracking)
Gunakan tool seperti MLflow atau Weights & Biases (W&B) untuk mencatat:
- Hyperparameters (learning rate, tree depth, batch size)
- Metrik evaluasi per epoch/iterasi
- Artefak model (bobot biner ter-serialize, confusion matrix plot)
2. Serialisasi Model
Simpan model terlatih ke format portabel:
- Python standard:
joblib.dump(model, "model.joblib") - Standar interoperabilitas lintas bahasa: format ONNX.
M2