Machine Learning Operations (MLOps) Fundamentals

Seiring dengan semakin banyaknya adopsi Machine Learning (ML) dalam dunia industri, tantangan baru muncul dalam mengelola, mengoperasikan, dan memastikan model ML tetap relevan, dapat diskalakan, serta aman untuk produksi. MLOps (Machine Learning Operations) adalah pendekatan yang menggabungkan prinsip DevOps dengan Machine Learning untuk memastikan bahwa model yang dikembangkan dapat diuji, di-deploy, dimonitor, serta dikelola secara efisien. Namun, banyak organisasi menghadapi tantangan dalam integrasi pipeline ML, reproducibility model, keamanan data, serta tata kelola dan kepatuhan terhadap regulasi AI.

Training Machine Learning Operations (MLOps) Fundamentals ini dirancang untuk memberikan pemahaman menyeluruh tentang MLOps, mulai dari pengembangan, deployment, monitoring, hingga governance model ML dalam skala produksi. Peserta akan mempelajari bagaimana membangun dan mengelola pipeline CI/CD untuk model ML, menerapkan strategi deployment yang efisien, serta memastikan monitoring dan feedback loop agar model tetap optimal seiring waktu. Selain itu, peserta juga akan memahami aspek governance dan regulasi yang mulai diterapkan dalam industri AI, termasuk bagaimana membangun Responsible AI.

Training ini juga mencakup studi kasus industri nyata, seperti manajemen risiko kredit, sistem rekomendasi pemasaran, dan peramalan konsumsi energi, yang memberikan wawasan langsung tentang bagaimana MLOps diterapkan dalam berbagai sektor.

OBJECTIVES

1. Memahami konsep MLOps dan bagaimana membantu organisasi dalam mengelola risiko serta menskalakan model ML
2. Mempelajari pengembangan, pengujian, dan deployment model ML ke lingkungan produksi dengan pipeline CI/CD dan containerization
3. Memahami strategi monitoring dan deteksi degradasi model (drift detection) untuk memastikan performa model tetap optimal
4. Mengimplementasikan praktik keamanan, reproducibility, dan tata kelola model ML untuk memastikan transparansi dan kepatuhan regulasi
5. Menerapkan studi kasus MLOps dalam berbagai industri, seperti manajemen risiko kredit, sistem rekomendasi pemasaran, dan konsumsi energi

AUDIENCE

1. Machine Learning Engineer
2. Data Scientist
3. DevOps Engineer
4. Software Engineer
5. AI/ML Researcher

PREREQUISITES

1.Tidak ada training khusus yang dipersyaratkan

CONTENT

1. Why Now and Challenges

1.1 Defining MLOps and Its Challenges
1.2 MLOps to Mitigate Risk
1.3 MLOps for Scale

2. Key MLOps Features

2.1 A Primer on Machine learning
2.2 Model Developments
2.3 Productionalization and Deployment
2.4 Monitoring
2.5 Iteration and Life Cycle
2.6 Governance

3. Developing Models

3.1 What is a Machine Learning Model?
3.2 Data Exploration
3.3 Feature Engineering and Selection
3.4 Experimentation
3.5 Evaluating and Comparing Models
3.6 Version Management and Reproducibility

4. Preparing for Production

4.1 Runtime Environments
4.2 Model Risk Evaluation
4.3 Quality Assurance for Machine Learning
4.4 Key Testing Considerations
4.5 Reproducibility and Auditability
4.6 Machine Learning Security
4.7 Model Risk Mitigation

5. Deploying to Production

5.1 CI/CD Pipelines
5.2 Building ML Artifacts
5.3 Deployment Strategies
5.4 Containerization
5.5 Scaling Deployments
5.6 Requirements and Challenges

6. Monitoring and Feedback Loop

6.1 Understanding Model Degradation
6.2 Drift Detection in Practice
6.3 The Feedback Loop

7. Model Governance

7.1 Matching Governance with Risk Level
7.2 Current Regulations Driving MLOps Governance
7.3 Current Regulations Driving MLOps Governance
7.4 The New Wave of AI-Specific Regulations
7.5 The Emergence of Responsible AI
7.6 Key Elements of Responsible AI
7.7 A Template for MLOps Governance

8. MLOps in Practice: Consumer Credit Risk Management

8.1 Background: The Business Use Case
8.2 Model Developments
8.3 Model Bias Considerations
8.4 Prepare for Production
8.5 Deploy to Production

9. MLOps in Practice: Marketing Reccomendation Engines

9.1 The Rise of Reccomendation Engines
9.2 Data Preparation
9.3 Design and Manage Experiments
9.4 Model Training and Deployment
9.5 Pipeline Structure and Deployment Strategy
9.6 Monitoring and Feedback

10. MLOps in Practice: Consumption Forecast

10.1 Power Systems
10.2 Data Collection
10.3 Problem Definition: Machine Learning, or Not Machine Learning?
10.4 Spatial and Temporal Resolution
10.5 Implementation
10.6 Modeling
10.7 Deployment
10.8 Monitoring