Bab 10: Deploy Model & MLOps

10.1 REST API dengan FastAPI

FastAPI adalah standar modern untuk menyajikan model ML — cepat, type-hinted, dan otomatis terdokumentasi.

# app.py
from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import numpy as np

app = FastAPI(title="Klasifikasi Iris")
model = joblib.load("model.joblib")
scaler = joblib.load("scaler.joblib")

class InputIris(BaseModel):
    sepal_length: float
    sepal_width: float
    petal_length: float
    petal_width: float

class Prediksi(BaseModel):
    spesies: str
    probabilitas: dict

@app.post("/predict", response_model=Prediksi)
async def predict(data: InputIris):
    fitur = np.array([[data.sepal_length, data.sepal_width,
                          data.petal_length, data.petal_width]])
    fitur_scaled = scaler.transform(fitur)
    proba = model.predict_proba(fitur_scaled)[0]
    spesies = model.classes_[np.argmax(proba)]
    return Prediksi(
        spesies=spesies,
        probabilitas={str(c): round(float(p), 4)
                    for c, p in zip(model.classes_, proba)}
    )

# Jalankan: uvicorn app:app --host 0.0.0.0 --port 8000
# Dokumentasi di: http://localhost:8000/docs

Uji coba: FastAPI otomatis menghasilkan dokumen interaktif di /docs (Swagger UI) dan /redoc. Tidak perlu frontend untuk menguji API Anda.

10.2 Kontainer Docker

Docker memaketkan model, kode, dan dependensi ke dalam kontainer portabel yang berjalan identik di mana saja.

# Dockerfile
FROM python:3.11-slim

WORKDIR /app

# Install dependensi
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# Salin model dan kode
COPY model.joblib scaler.joblib ./
COPY app.py ./

# Expose port
EXPOSE 8000

# Health check
HEALTHCHECK --interval=30s --timeout=3s \
  CMD curl -f http://localhost:8000/health || exit 1

CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]

# Build dan jalankan
docker build -t klasifikasi-iris .
docker run -p 8000:8000 klasifikasi-iris

# Uji API
curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"sepal_length":5.1,"sepal_width":3.5,"petal_length":1.4,"petal_width":0.2}'

10.3 Versioning Model

Lacak eksperimen, parameter, dan artefak model secara sistematis.

import mlflow
import mlflow.sklearn

mlflow.set_experiment("klasifikasi-iris")

with mlflow.start_run(run_name="random_forest_v2"):
    # Log parameter
    mlflow.log_params({"n_estimators": 200, "max_depth": 5})

    # Latih model
    model = RandomForestClassifier(n_estimators=200, max_depth=5)
    model.fit(X_train, y_train)

    # Log metrik
    mlflow.log_metrics({"akurasi": akurasi, "f1": f1})

    # Log model
    mlflow.sklearn.log_model(model, "model")

# Serve model yang sudah di-log
mlflow.sklearn.serve("runs:/<run-id>/model", port=5000)

10.4 Pipeline CI/CD

Otomatiskan pengujian, pembangunan, dan deployment model ML Anda.

# .github/workflows/deploy.yml
name: Latih & Deploy

on:
  push:
    branches: [main]
  schedule:
    - cron: '0 0 * * 0'  # Retrain mingguan

jobs:
  latih-dan-deploy:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with: { python-version: '3.11' }
      - run: pip install -r requirements.txt
      - run: pytest tests/
      - run: python train.py
      - run: docker build -t model:${{ github.sha }} .
      - run: docker push registry/model:${{ github.sha }}

10.5 Monitoring & Deteksi Drift

Model akan menurun kinerjanya seiring waktu. Monitoring mendeteksi kapan retraining diperlukan.

Data Drift

Distribusi fitur input berubah. Deteksi dengan uji KS, PSI, atau chi-kuadrat. Contoh: pola musiman, demografi pengguna baru.

Concept Drift

Hubungan fitur-target berubah. Lebih sulit dideteksi. Contoh: pola fraud berevolusi, perubahan regime pasar.

from scipy import stats

# Population Stability Index (PSI)
def hitung_psi(expected, actual, buckets=10):
    breaks = np.quantile(expected, np.linspace(0, 1, buckets + 1))
    expected_pct = np.histogram(expected, bins=breaks)[0] / len(expected)
    actual_pct = np.histogram(actual, bins=breaks)[0] / len(actual)
    expected_pct = np.clip(expected_pct, 0.0001, None)
    actual_pct = np.clip(actual_pct, 0.0001, None)
    psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    return psi
# PSI < 0.1: tidak ada drift | 0.1-0.25: sedang | > 0.25: signifikan

10.6 Praktik Terbaik MLOps

›Versioning segalanya: Kode, data, model, konfigurasi — semuanya di-versioning. Gunakan Git untuk kode, DVC untuk data, MLflow untuk model.
›Otomatiskan pipeline: Dari ingesti data hingga deployment. Langkah manual memperkenalkan error dan tidak scalable.
›Uji secara menyeluruh: Unit test untuk transformasi data, integration test untuk pipeline, performance test untuk model.
›Buat eksperimen reproducible: Tetapkan random seed, pin versi library, log semua hyperparameter.
›Rancang untuk rollback: Selalu simpan versi model sebelumnya yang masih berjalan. Deployment canary untuk model baru.
›Monitor di produksi: Lacak distribusi prediksi, latensi, error rate, dan metrik bisnis.
›Dokumentasikan model: Model cards berisi: tujuan, data training, keterbatasan, analisis keadilan, benchmark kinerja.

Latihan Akhir: Proyek end-to-end: latih model pada dataset California housing, simpan, buat wrapper FastAPI, kontainerisasi dengan Docker, dan deploy secara lokal. Tambahkan health check dan validasi input dasar.

Kursus Selesai! 🎉

Anda telah menempuh seluruh pipeline data science dan machine learning — dari dasar Python hingga deployment ke produksi. Terus berlatih, terus membangun, terus belajar.

Kembali ke Ikhtisar Mata Kuliah