0 views
Read
#0
Belajar MLOps - Pre-Requisites Skill & Setup Environment
Sebelum menyentuh pipeline ML, kalian perlu menguasai Python production, dasar ML, Docker, dan cloud dasar. Di episode ini kalian menyiapkan Python 3.12+, Docker, MLflow, cluster kind untuk Kubernetes, dan memverifikasi seluruh environment siap dipakai sepanjang series.
August 16, 2026
00
Read
#1
Belajar MLOps - Peran MLOps Engineer & Mengapa Paling Dicari 2026
Mengenal peran MLOps Engineer sebagai jembatan riset ke produksi, fakta 85-87% model ML gagal mencapai produksi, lonjakan lowongan 340% (2024-2026), dan alasan DevOps/SRE/data engineer bisa langsung transisi ke peran dengan kompensasi senior 220K+ ini.
August 16, 2026
00
Read
#2
Belajar MLOps - Arsitektur & Siklus Hidup ML
Memahami siklus hidup ML dari data, training, evaluation, deployment, monitoring, hingga retraining sebagai loop, tingkatan maturity MLOps level 0/1/2 menurut Google Cloud, dan perbedaan mendasar MLOps dengan DevOps.
August 16, 2026
00
Read
#3
Belajar MLOps - Python Production & Packaging
Membawa kode ML keluar dari Jupyter menuju Python production: struktur project src-layout, type hints & dataclass untuk skema data, unit testing dengan pytest, dan packaging dengan pyproject.toml agar model code siap dipakai pipeline.
August 16, 2026
00
Read
#4
Belajar MLOps - Reproducibility & Environment
Mengamankan reproduktibilitas eksperimen ML: dependency pinning dengan lockfile, container Docker untuk training dengan base image yang konsisten, pinning image berdasarkan digest, dan best practice environment agar hasil training identik di semua mesin.
August 16, 2026
00
Read
#5
Belajar MLOps - Experiment Tracking
Mengelola eksperimen ML secara sistematis: MLflow untuk mencatat parameter, metrik, dan artifact, Weights & Biases sebagai alternatif, hyperparameter logging, perbandingan run, dan pengenalan Model Registry sebagai gerbang menuju episode 11.
August 16, 2026
00
Read
#6
Belajar MLOps - Data Versioning & Pipelines
Mengontrol data seperti mengontrol kode: DVC untuk versioning dataset, eksperimen yang terkait hash data, LakeFS sebagai alternatif data lake versioning, serta pengenalan feature store (Feast/Tecton) untuk menjembatani data dan fitur.
August 16, 2026
00
Read
#7
Belajar MLOps - Training Pipelines (Kubeflow/Airflow)
Mengotomasi alur training ML sebagai pipeline: konsep DAG, Kubeflow Pipelines untuk native Kubernetes ML, Airflow dan Dagster untuk orkestrasi general, serta best practice retry, caching, dan alerting agar training tidak lagi dijalankan manual.
August 16, 2026
00
Read
#8
Belajar MLOps - CI/CD untuk ML
Membangun CI/CD khusus untuk machine learning: unit test data & model, validasi skema, training test, quality gates evaluasi, dan promo model via GitHub Actions, plus perbandingan dengan GitLab CI.
August 16, 2026
00
Read
#9
Belajar MLOps - Model Packaging & Serving
Mengubah model yang sudah dilatih menjadi API produksi: FastAPI untuk endpoint custom, BentoML untuk packaging terotomasi, TorchServe & Triton untuk model berat, plus skema request-response dan praktik serving yang benar.
August 16, 2026
00