ML Pipeline dan CRISP-ML(Q) dalam Pengembangan Model AI

Penerapan Kecerdasan Artifisial atau Artificial Intelligence (AI) semakin banyak di berbagai bidang misalnya costumer segmentation dan rekomendasi produk pada e-commerce, pada dunia industri, penggunaan face reconigtion untuk boarding kereta api pada bidang transportasi hingga diagnosa penyakit sampai pengambilan keputusan medis yang lebih akurat pada bidang kesehatan. Tantangan utama dalam pengembangan AI adalah bagaimana membangun model machine learning (ML) yang efisien, berkualitas dan siap produksi. Dua pendekatan utama yang sedang berkembang adalah dengan  ML pipeline dan CRISP-ML(Q).

ML pipeline adalah serangkaian langkah-langkah terstruktur atau proses berurutan otomatis yang digunakan untuk mengelola alur kerja dalam pengembangan model machine learning. Tujuan utama dari ML pipeline adalah untuk mempermudah alur kerja teknis yang diperlukan untuk menangani data, membangun model, dan menerapkan model tersebut secara efisien. ML pipeline sering kali digunakan untuk memastikan bahwa proses pembuatan dan penerapan model dapat dilakukan dengan cara yang efisien, terstruktur dan dapat direproduksi. Terdapat enam tahapan dalam ML pipeline, yaitu:

1.        Data Collection & Ingestion

Pada tahap ini dilakukan pengumpulan data dari berbagai sumber (database, API (Application Programming Interface), sensor, dll) yang mana penggabungan beberapa dataset dapat dilakukan jika diperlukan.

2.        Data Preprocessing dan Feature Enggineering

Pada tahap ini proses pembersihan data (data cleaning), transformasi data dan memilih fitur terbaik (feature selection) maupun ekstraksi fitur (feature extraction) dilakukan.

3.        Model Training dan Hyperparameter Tunning

Pemilihan algoritma yang tepat sesuai tujuan pembangunan model dilakukan pada tahap ini mulai dari pelatihan model hingga mencari parameter terbaik degan hyperparameter tunning.

4.        Model Evaluation dan Validation

Beberapa ukuran performansi model yang sesuai dapat dihitung pada tahapan ini misalmnya akurasi, presisi, RMSE (Root Mean Square Error), elbow score, dll.

5.        Model Deployment

Pada tahap deployment model diintegrasikan ke dalam aplikasi, API atau sistem menggunakan platform deployment seperti Streamlite, Flask, FastAPI, TensorFlow Serving, Android Studio, Docker, Kuberneter, dll.

6.        Model Monitoring dan Maintenance

Setelah melakukan deployment, tahap selanjutnya adalah memantau kinerja model dan pendeteksian data drift, yaitu perubahan pola yang dapat membuat model menjadi kurang akurat serta melakukan re-training jika diperlukan.

Di sisi lain CRISP-ML(Q) atau Cross Industry Standart Process for Machine Learning (Quality) lebih menekankan pada metodologi pengembangan dan penerapan model Machine Learning. Pada tahun 1999, kita mengenal CRISP-DM (Cross Industry Standart Process for Data Mining) yang dibangun berdasarkan metodologi Knowledge Discovery yang telah dipakai sejak tahun 1995. Istilah CRISP-ML (Cross Industry Standart Process for Machine Learning) muncul pada tahun 2018 sebagai adaptasi dari CRISP-DM. Selanjutnya, CRISP-ML(Q) diperkenalkan pada tahun 2020 yang menggeneralisasi CRISP-ML dengan fokus tambahan pada Quality Assurance (Jaminan Kualitas). Tahapan CRISP-ML(Q) adalah:

1.        Business & Data Understanding

Pada tahap ini kita memahami kebutuhan bisnis dan karakteristik data yang akan digunakan untuk menjawab kebutuhan tersebut.

2.        Data Preparation

Tahap persiapan data termasuk membersihkan (cleaning) dan menyiapkan data untuk model.

3.        Modeling: Membangun dan mengoptimalkan model AI.

4.        Evaluation : Mengevaluasi performa model sebelum deployment.

5.        Deployment: Menerapkan model ke sistem nyata.

6.        Monitoring & Maintenance : Memonitoring kinerja model dalam jangka panjang.

Gambaran siklus CRISP-ML(Q) dapat dilihat pada Gambar dimana prosesnya berkelanjutan sehingga framework berbasis QA dapat dibangun secara sistematis dengan tujuan kualitas tnggi dan keandalan model guna menjamin standar kualitas model AI.  

ML Pipeline dan CRISP-ML(Q) bukanlah dua hal yang seharusnya dipertentangkan, tetapi pendekatan yang saling melengkapi. ML Pipeline membantu dalam otomatisasi teknis dan pengembangan machine learning secara efisien, cepat dan dapat direproduksi kembali, sementara CRISP-ML(Q) memastikan standar kualitas model. Untuk membangun model AI yang andal dan dapat diandalkan, sebaiknya menggunakan ML Pipeline dengan prinsip CRISP-ML(Q). -Ike-

 

Referensi:

Steidl., M, Feldeler, M, Ramber, R. 2023. The Pipeline for the Continuous Development of Articial Intelligence Models -Current State of Research and Practice. Journal of Systems and Software, Volume 199, May 2023, 111615

Stunder, S. et.al. 2021. Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology. Mach. Learn. Knowl. Extr. 2021

Sumber Gambar: https://www.gtech.com.tr/en/analytics-business-intelligence/artificial-intelligence-and-advanced-analytics/