Belajar Deploy & Feedback Machine Learning

Deployment

Sampai saat ini kita telah belajar bagaimana mengembangkan dan melatih sebuah model pada Colaboratory. Tentunya kita ingin agar model yang telah kita latih dapat terintegrasi dengan perangkat lunak lain.


Misalnya kita ingin agar model kita dapat dipakai pada sebuah ponsel untuk memotret lalu mendeteksi penyakit pada tanaman cabai.

Atau kita ingin membuat sebuah situs untuk mendeteksi jenis hewan pada sebuah gambar dan masalah lain yang lebih kompleks.
Jika Anda memiliki kemampuan membuat website atau sebuah mobile app Anda bisa menggunakan TensorFlow serving agar model dapat dipakai pada software yang Anda kembangkan. Tutorial menggunakan TensorFlow serving dapat dikunjungi di tautan berikut.

Feedback

Ketika model Anda telah di-deploy di tahap produksi, sangat penting untuk selalu memonitor kinerja model Anda.

Memonitor kinerja atau performa model dapat dilakukan dengan teknik yang sama saat kita mengembangkannya.

Pada model klasifikasi, hal yang dimonitor adalah akurasinya terhadap data-data baru yang ditemui. Sedangkan pada model regresi, tingkat erornya yang dimonitor.
Kita juga bisa mendapatkan feedback dari sisi pengguna. Contohnya model kita dipakai pada sebuah aplikasi peminjaman uang untuk menentukan apakah seseorang dapat diberikan pinjaman atau tidak.

Dan ternyata, ada beberapa keluhan dari pengguna yang mengatakan pengajuan pinjaman mereka ditolak padahal mereka orang yang kredibel. Hal seperti inilah yang menunjukkan kenapa memonitor dan mengumpulkan feedback sangat penting setelah sebuah model di-deploy di tahap produksi.

Komentar