MLOps menyatukan seluruh siklus hidup model CV—dari data & label, eksperimen, deployment, hingga monitoring—agar iterasi cepat dan terkontrol.
Komponen Inti MLOps untuk CV
Repos Data/Label
Dataset, anotasi, dan metadata tersentral—bisa ditelusuri dan direproduksi.
Dataset, anotasi, dan metadata tersentral—bisa ditelusuri dan direproduksi.
Tracking Eksperimen
Hyperparameter, versi kode, metrik (mAP/F1), artefak model.
Hyperparameter, versi kode, metrik (mAP/F1), artefak model.
Registry
Versi model + status (staging/production) dengan catatan rilis & SLA.
Versi model + status (staging/production) dengan catatan rilis & SLA.
Pipeline CI/CD
Build, test, packaging (ONNX/TensorRT), deployment canary/blue-green.
Build, test, packaging (ONNX/TensorRT), deployment canary/blue-green.
Monitoring
Distribusi data, akurasi per kelas, latensi p50/p95, alarm.
Distribusi data, akurasi per kelas, latensi p50/p95, alarm.
Governance
Kontrol akses, audit, kebijakan retensi, PII/privasi.
Kontrol akses, audit, kebijakan retensi, PII/privasi.
Data & Label Versioning
- Versikan data mentah, label, dan split (train/val/test) secara eksplisit.
- Catat asal-usul data (kamera, lokasi, timestamp) dan kondisi (pencahayaan, occlusion).
- QA berlapis: IoU antar anotator, spot check rutin, dan audit trail perubahan.
Experiment Tracking
- Log hyperparameter, seed, versi kode, versi dataset.
- Simpan metrik utama (mAP@IoU, F1 per kelas) + kurva PR.
- Arsipkan artefak: weight, konfigurasi, dan grafik pelatihan.
Model Registry & Approval
- Status jelas: staging → canary → production beserta changelog.
- Gates berbasis metrik & keamanan sebelum promosi.
- Kelola kompatibilitas API, skema input/output, dan versi praproses.
CI/CD Model & Infrastruktur
- Unit/integration test untuk preprocessing, post-processing, dan API.
- Packing model ke ONNX → TensorRT, siapkan fallback FP16/FP32.
- Strategi rilis: canary, blue-green, atau progressive delivery.
- Infra as Code, container, dan template deployment (edge vs cloud).
Monitoring: Performa & Drift
- Distribusi input (histogram per fitur visual), deteksi data drift.
- Performa per kelas & per lokasi kamera; alert saat turun melewati threshold.
- Log sample bermasalah untuk active learning & retraining.
Governance, Privasi, & Keamanan
- Role-based access, audit log, enkripsi in-transit & at-rest.
- Kebijakan retensi & anonimisasi; minimisasi data sensitif.
- Uji bias/fairness dan dokumentasikan batasan model.
Manajemen Biaya
- Optimalkan resolusi & batch sesuai KPI latensi/akurat.
- Autoscaling & penjadwalan job; pertimbangkan edge untuk traffic lokal.
- Pantau biaya GPU, storage, egress; gunakan tiering & kompresi artefak.
Peta Jalan Implementasi (12 Minggu)
- M1–M2: repos data/label + tracking eksperimen dasar.
- M3–M4: registry + pipeline build/packaging (ONNX/TensorRT).
- M5–M6: staging API + monitoring dasar.
- M7–M8: canary di lingkungan produksi terbatas.
- M9–M10: observabilitas lengkap + alert.
- M11–M12: governance, audit, dan perbaikan biaya.
Selalu hubungkan metrik teknis (mAP/F1/latensi) ke hasil bisnis: scrap ↓, SLA ↑, waktu proses ↓.
FAQ
Apakah MLOps wajib? Begitu model mulai dipakai luas, tanpa MLOps performa cepat turun karena drift dan “sprawl” artefak.
Tools apa yang dipakai? Banyak pilihan. Kuncinya interoperabilitas dan dokumentasi jelas, bukan merek alatnya.
Seberapa sering retraining? Tergantung laju perubahan data. Mulai dari bulanan, lalu sesuaikan berdasarkan sinyal drift & error.