Sistem deep learning di produksi adalah produk perangkat lunak yang terus berubah: data bergeser, model diperbarui, eksperimen menumpuk. Section ini membahas praktik MLOps yang menjaga semuanya tetap terlacak, teruji, dan dapat dipulihkan ketika ada yang tidak berjalan semestinya.

# Experiment Management

Naikkan pencatatan eksperimen dari catatan manual menjadi sistem: field wajib per run (config, versi kode, versi data, metrics, artifact), log JSON Lines yang bisa di-query, lalu kenali MLflow Tracking dan Weights & Biases.

Buka → # Model Versioning

Beri identitas permanen pada setiap artifact model: skema penomoran semver plus metadata versi dataset dan kode, artifact immutable dengan hash, dan registry file index.json yang merekam tiga versi model mini yang bisa dimuat ulang.

Buka → # Model Registry

Jadikan registry sumber kebenaran tunggal untuk model: siklus stage staging-production-archived dengan gerbang akurasi, anotasi dan lineage tiap versi, lalu promosi versi 2 ke production pada registry mini yang benar-benar berjalan.

Buka → # Pipeline Training Otomatis

Rangkai pelatihan menjadi pipeline: DAG data-train-eval-register dengan trigger terjadwal, idempotency dan caching berbasis hash checkpoint, lalu bukti nyata re-run yang melewati tahap selesai dan hanya mengeksekusi tahap terdampak.

Buka → # Continuous Integration

Bawa disiplin test ke proyek ML: test kualitas data dan test kualitas model berdampingan dengan test unit, mini test suite pola pytest yang benar-benar berjalan, serta contoh workflow GitHub Actions dengan gerbang akurasi.

Buka → # Continuous Deployment

Rilis model baru dengan eksposur terkendali: strategi canary, blue-green, dan shadow beserta risikonya, promotion gate berbasis metrik, rollback otomatis, dan simulasi canary 10-50-100 persen yang menghasilkan keputusan promote atau abort.

Buka → # Data dan Model Drift

Deteksi pergeseran distribusi input dengan PSI dan KL divergence NumPy murni: tiga arus data dibandingkan terhadap baseline dengan ambang industri, alarm drift terpicu, dan drift yang sama terlihat sebagai penurunan akurasi model.

Buka → # Monitoring Kinerja Model

Pantau kualitas keputusan model, bukan hanya infrastrukturnya: akurasi berjalan per jendela waktu dengan label ground truth yang terlambat tiba, tabel metrik-sumber data-ambang umum, dan alert anti-flapping yang hanya berbunyi setelah dua jendela berturut-turut.

Buka → # Reproducibility dan Audit

Bangun audit trail yang tidak bisa diubah tanpa bekas: artefak wajib per rekaman (siapa-apa-kapan-model versi mana), lineage penuh dari data ke prediksi, dan rantai hash sha256 yang membuktikan manipulasi satu bobot terdeteksi pada verifikasi ulang.

Buka → # Rollback dan Model Update

Tutup siklus MLOps dengan pembaruan yang aman: strategi big-bang lawan gradual, rollback cepat dengan versi lama selalu siap sebagai warm standby, kebutuhan data migration dan komunikasi perubahan, plus simulasi deploy v2 yang memburuk dan rollback otomatis ke v1.

Buka →