Submission Proyek Akhir MLOps: Pengembangan dan Pengoperasian Sistem Machine Learning
| Deskripsi | |
|---|---|
| Dataset | Credit Risk |
| Masalah | Bagaimana Bank bisa mengurangi kredit bermasalah |
| Solusi machine learning | Mendeteksi nasabah yang berpotensi kredit macet |
| Metode pengolahan | Data awal dalam format CSV akan menjadi masukan untuk end-to-end machine learning pipeline(Tensorflow Extended). Fitur numerik dipetakan ke interval [0,1] sementara fitur kategorikal dipetakan menjadi bilangan bulat positif yang sesuai dengan nilai unik fitur tersebut. Keluarannya dalam bentuk bilangan biner 0 (tidak berpotensi) atau 1 (berpotensi kredit bermasalah). Untuk Pipeline Orchestrator digunakan Apache Beam |
| Arsitektur Model | Sequentials ANN: Multi layer Perceptron. |
| Metrik evaluasi | Memaksimalkan nilai akurasi dataset evaluasi (val_binary_accuracy) |
| Performa model | val_binary_accuracy = 0.83 |
| Opsi deployment | Menggunakan Server-side deployment. Tipe model serving yang digunakan adalah container Docker |
| Web app | Docker image yang menyimpan serving_model hasil traning kemudian diunggah ke platform Heroku yang bisa diakses via https://model-resiko-kredit.herokuapp.com/ |
| Monitoring | Monitoring akan dilakukan di komputer lokal dengan menggunakan Prometheus dengan Grafana sebagai dashboard monitoring menggunakan container |
Catatan:
Beberapa saran yang diimplementasikan dalam proyek ini adalah:
-
Menerapkan prinsip clean code dalam membuat machine learning pipeline.
-
Menyinkronkan Prometheus dengan Grafana untuk membuat dashboard monitoring yang lebih menarik. Untuk itu gunakan file docker-compose.yml, bukan Dockerfile