Proyek ML berkembang secara bertahap dengan tujuan, tugas, dan hasil tertentu. Pemahaman yang jelas tentang fase pengembangan ML membantu menetapkan tanggung jawab engineering, mengelola ekspektasi pemangku kepentingan, dan mengalokasikan resource secara efisien.
Keberhasilan melalui fase-fase (sering kali secara berulang) merupakan dasar untuk mendesain, menyusun, dan membangun model ML yang memecahkan masalah bisnis dalam jangka panjang.
Pada dasarnya, mengimplementasikan solusi ML terdiri dari fase berikut:
- Ideasi dan perencanaan
- Eksperimen
- Membangun jaringan pipa
- Produksi
Ideasi dan perencanaan
Selama fase pembentukan ide dan perencanaan, Anda merumuskan masalah dalam bentuk solusi ML dan memperkirakan kelayakan proyek.
- Tujuan: Untuk menentukan apakah ML adalah solusi terbaik untuk masalah Anda.
- Tasks: Menganalisis masalah bisnis untuk memahami batasan project Anda.
- Hasil: Dokumen desain yang menjelaskan cara mengatasi masalah dengan solusi ML. Untuk contoh dokumen desain ML, lihat go/ml-design-doc-example.
Transkrip video tersedia dengan menonton di Broadcast. Jika transkrip tidak muncul, klik ikon transkripsi .
Eksperimen
Eksperimen adalah inti dari machine learning. Selama fase ini, Anda memverifikasi bahwa solusi ML dapat digunakan. Menemukan solusi adalah sebuah proses iteratif. Tidak jarang kami mencoba ratusan eksperimen sebelum menemukan kombinasi fitur, hyperparameter, dan arsitektur model yang tepat untuk memecahkan masalah tersebut.
- Sasaran: Untuk membuat model yang memecahkan masalah bisnis.
- Tasks: Bereksperimen dengan fitur, hyperparameter, dan arsitektur model.
- Hasil: Model dengan kualitas yang cukup baik untuk dimasukkan ke dalam produksi.
Transkrip video tersedia dengan menonton di Broadcast. Jika transkrip tidak muncul, klik ikon transkripsi .
Pembuatan dan produksi pipeline
Selama fase pembuatan dan produksi pipeline, Anda membangun pipeline untuk memproses data, melatih model, dan menyajikan prediksi. Kemudian, deploy model dan pipeline ke produksi dengan infrastruktur pemantauan dan logging yang diperlukan.
- Tujuan: Membangun dan mengimplementasikan infrastruktur untuk menskalakan, memantau, dan memelihara model dalam produksi.
- Tugas: Bangun pipeline untuk mengotomatiskan banyak tugas guna menjaga model terbaru dalam produksi.
- Hasil: Pipeline ML yang divalidasi.
Transkrip video tersedia dengan menonton di Broadcast. Jika transkrip tidak muncul, klik ikon transkripsi .
Alur kerja ML menyeluruh
Diagram berikut mengilustrasikan seluruh alur kerja ML menyeluruh, yang mencantumkan setiap fase serta tugas dan hasilnya:
Gambar 1. Empat fase utama alur kerja ML.
Perhatikan
Terdapat beberapa tantangan di setiap fase. Jika tidak menyadari dan merencanakannya, hal itu dapat menyebabkan tenggat waktu yang terlewat, engineer yang frustrasi, dan project yang gagal.