Developing ML solutions
Conclusion
- ML lifecycle: dari mengidentifikasi masalah bisnis sampai men-deploy dan memonitor model.
- SageMaker AI mencakup setiap langkah:
- Siapkan data dengan Data Wrangler atau script dan notebook sendiri.
- Bangun model dengan Canvas (tanpa kode), algoritma pre-trained atau built-in, framework yang didukung, atau custom Docker image.
- Deploy dan monitor.
- Built-in algorithms mencakup supervised learning (classification, regression), unsupervised learning (clustering, dimension reduction, anomaly detection), image processing, time series, dan NLP.
- Evaluasi memakai training, validation, dan test set. Underfitting berarti bias tinggi, overfitting berarti variance tinggi, dan targetnya bias rendah dengan variance rendah.
- Deployment bisa self-hosted atau managed. SageMaker menawarkan inference real-time, batch, serverless, dan asynchronous.
- MLOps memperluas DevOps ke ML agar model di-deploy, dimonitor, dan di-retrain secara berulang.