Istilah C10 · MLOps dan Platform ML

100 dari 100 istilah

• alias

  Nama yang menunjuk satu versi model dan bisa dipindah, misalnya champion → versi 1. Layanan memuat model lewat alias, jadi rilis dan rollback cukup memindahkan alias.

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• anggaran galatjuga: error budget

  Bagian permintaan yang boleh gagal menurut SLO: 1 − SLO. Selama anggaran masih ada, tim boleh mengambil risiko; bila habis, rilis berisiko ditahan.

  Contoh: SLO 99,5% memberi anggaran 0,5%; 18 galat dari 5.083 permintaan memakai 70,8% anggaran.

  Dipelajari di Modul 13 · Insiden dan keandalan

• artefak

  Berkas yang dihasilkan atau dipakai sistem ML dan perlu diberi versi: data, model terlatih, laporan evaluasi. Artefak tidak diubah sesudah dibuat; versi baru berarti artefak baru dengan hash baru.

  Contoh: model churn disimpan sebagai JSON parameter logistik sebesar 850 byte, dikenali dari SHA-256 isinya.

  Dipelajari di Modul 03 · Versi data dan artefak

• AUCjuga: ROC-AUC

  Peluang model memberi skor lebih tinggi kepada pelanggan yang churn daripada kepada pelanggan yang tetap, bila keduanya diambil acak. 0,5 berarti setara tebakan acak, 1 berarti urutannya sempurna.

  Contoh: AUC churn-v1 Juli 0,7424, November anjlok ke 0,6008.

  Dipelajari di C2 · Modul 05 · Evaluasi klasifikasi dan keputusan

• batching dinamisjuga: batching

  Mengumpulkan permintaan yang sedang menunggu menjadi satu panggilan model. Saat sepi batch berisi satu; saat ramai batch membesar, sehingga ongkos tetap per panggilan dibagi banyak permintaan dan kapasitas naik.

  Dipelajari di Modul 10 · Penyajian model

• benihjuga: seed

  Angka awal untuk pembangkit bilangan acak. Benih yang sama memberi deret acak yang sama, sehingga hasil yang memakai keacakan bisa diulang.

  Dipelajari di C1 · Modul 01 · Peran data scientist dan siklus analisis

• bootstrapjuga: sampel ulang

  Cara memperkirakan ketidakpastian sebuah angka dengan mengambil ulang baris secara acak (dengan pengembalian) berkali-kali dan menghitung angka itu di setiap sampel ulang.

  Contoh: AUC Juli 0,7424 punya galat baku bootstrap 0,0276 dari 200 sampel ulang.

  Dipelajari di C1 · Modul 07 · Sampling dan estimasi

• bootstrap berpasangan

  Bootstrap yang memakai satu set indeks sampel ulang yang sama untuk kedua model, lalu menghitung selisih metriknya per sampel. Karena kedua model sering salah pada pelanggan yang sama, selisihnya jauh kurang berderau daripada bila tiap model di-bootstrap terpisah.

  Dipelajari di Modul 09 · CI/CD untuk model

• cache

  Simpanan hasil yang sudah pernah dihitung supaya tidak dihitung lagi. Hasil boleh dipakai ulang hanya bila kuncinya memuat semua yang mengubah hasil: isi masukan, parameter, versi kode, dan lingkungan.

  Contoh: lupa memasukkan versi kode ke kunci membuat rumus latih yang sudah diubah tetap memakai hasil lama.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan

• canaryjuga: kanari, rilis canary, analisis canary

  Rilis bertahap: sebagian kecil lalu lintas (misalnya 10%) dikirim ke versi baru, dibandingkan dengan versi lama pada jendela waktu yang sama, lalu dinaikkan atau di-rollback. Canary menjawab "apakah versi baru rusak?", bukan "apakah lebih baik?".

  Contoh: v2 melayani 764 permintaan dengan 12 galat, v1 1.968 dengan 4 galat: rollback.

  Dipelajari di Modul 11 · Rilis aman

• challengerjuga: penantang

  Model kandidat yang dibandingkan dengan champion pada data yang sama, misalnya hasil latih ulang bulan terakhir. Ia dipromosikan hanya bila lolos gerbang.

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• championjuga: juara

  Model yang sedang dipakai di produksi. Model baru harus terbukti lebih baik daripada champion sebelum menggantikannya.

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• checkpoint

  Simpanan keadaan pekerjaan yang sedang berjalan, misalnya bobot model di tengah pelatihan, supaya pekerjaan bisa dilanjutkan dari titik itu sesudah gangguan.

  Dipelajari di Modul 14 · Infrastruktur dan biaya

• CI/CDjuga: CI, CD

  Otomasi yang menjalankan tes dan gerbang setiap ada perubahan (continuous integration), lalu merilis artefak yang lolos (continuous delivery). Untuk model, gerbangnya ikut memeriksa metrik dan uji statistik.

  Dipelajari di Modul 09 · CI/CD untuk model

• cold startjuga: boot dingin

  Waktu tambahan yang dibayar permintaan pertama sesudah mesin tidur: menyalakan mesin, mengimpor Python, memuat artefak, dan membuka koneksi.

  Contoh: boot dingin ilustrasi course ini 3 detik, padahal latensi biasa (p50) hanya 32,8 ms.

  Dipelajari di Modul 10 · Penyajian model

• CUSUM

  Detektor perubahan (Page 1954) yang menjumlahkan simpangan kecil searah: S = max(0, S sebelumnya + x − k), alarm bila S > h, lalu diatur ulang. Perubahan kecil yang menetap tertangkap walau tiap titik di bawah ambang.

  Contoh: pada deret z kalibrasi mulai Juli 2026 dengan k = 0,5 dan h = 4, alarm pertama berbunyi September, saat S mencapai 8,53.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• degradasi bertahapjuga: graceful degradation

  Layanan menurunkan mutu jawabannya secara terkendali, alih-alih gagal total atau salah diam-diam.

  Contoh: November, cadangan dari dua kolom yang tidak tersentuh insiden (recency_hari dan keluhan_90h) memberi untung Rp848.000, model yang membaca data rusak hanya Rp636.000.

  Dipelajari di Modul 13 · Insiden dan keandalan

• deterministikjuga: determinisme

  Selalu memberi keluaran yang sama untuk masukan yang sama. Keacakan berbenih, urutan baris, urutan penjumlahan bilangan pecahan, dan jumlah thread bisa membuat program yang tampak sama menjadi tidak deterministik.

  Contoh: hutan acak tanpa random_state memberi AUC berbeda di setiap jalan; dengan random_state=0 hasilnya selalu 0,6852.

  Dipelajari di Modul 02 · Reproduktibilitas

• drift

  Perubahan pada data produksi dibandingkan data latih: sebaran fiturnya berubah, hubungan fitur dengan label berubah, atau keduanya. Tidak semua drift merusak model, jadi drift adalah tanda untuk diperiksa, bukan perintah latih ulang.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• FastAPI

  Kerangka web Python untuk membuat API. Bersama Pydantic, ia memeriksa masukan sesuai skema dan menolak yang tidak sah dengan status 422 sebelum model dipanggil.

  Dipelajari di C2 · Modul 15 · Penyajian dan pemantauan model

• feature store

  Tempat terpusat untuk definisi dan nilai fitur. Bagian offline menyimpan riwayat untuk membangun set latih dengan join titik waktu; bagian online menyimpan nilai terbaru per entitas untuk layanan yang perlu jawaban cepat.

  Dipelajari di Modul 06 · Fitur dan feature store

• fetchone

  Metode hasil kueri SQLite yang mengembalikan satu baris berikutnya sebagai tuple, atau None bila tidak ada baris lagi.

  Contoh: db.execute("SELECT COUNT(*) FROM peristiwa").fetchone()[0] mengambil angka hitungan dari baris pertama.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• Field

  Fungsi Pydantic untuk memberi aturan pada satu kolom skema, misalnya Field(ge=0, le=1) untuk rentang inklusif atau Field(min_length=1, max_length=1000) untuk panjang list. Masukan yang melanggar ditolak sebelum model dipanggil. Di Lab Feast, Field adalah kelas Feast untuk skema fitur.

  Dipelajari di C2 · Modul 15 · Penyajian dan pemantauan model

• gagal tertutup

  Aturan gerbang: bila pemeriksaan tidak bisa memberi jawaban yang sah, misalnya metrik NaN atau data kurang, keputusannya tolak, bukan lolos.

  Dipelajari di Modul 09 · CI/CD untuk model

• gerbang

  Pemeriksaan otomatis yang harus lulus sebelum langkah berikutnya boleh berjalan. Gerbang data menolak batch yang rusak; gerbang model menolak kandidat yang tidak terbukti lebih baik.

  Contoh: gerbang data menolak snapshot November karena 1.073 dari 1.171 baris punya porsi_qris di atas 1.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan

• guardrail

  Pemeriksaan sebelum atau sesudah model bahasa dipanggil, misalnya menolak permintaan di luar cakupan atau jawaban yang skor risikonya melewati ambang, lalu menggantinya dengan jawaban cadangan.

  Dipelajari di Modul 15 · LLMOps

• hashjuga: SHA-256, digest

  Sidik pendek yang dihitung dari byte sepanjang apa pun. SHA-256 memberi 64 digit heksadesimal: byte yang sama selalu memberi hash yang sama, satu bit berubah membuat hash berubah total, dan dua isi berbeda praktis tidak mungkin ber-hash sama. Karena itu hash bisa menjadi nama isi.

  Contoh: panel_churn.csv yang dibaca lalu ditulis ulang pandas punya hash lain, karena 0 berubah menjadi 0.0.

  Dipelajari di Modul 02 · Reproduktibilitas

• hashlib.sha256

  Fungsi pustaka standar yang membuat objek hash SHA-256. Byte dimasukkan lewat argumen atau update, lalu hexdigest() memberi hasilnya sebagai teks.

  Contoh: hashlib.sha256(teks.encode("utf-8")).hexdigest().

  Dipelajari di Modul 02 · Reproduktibilitas

• hexdigest

  Metode objek hash yang mengembalikan hash sebagai teks heksadesimal huruf kecil; untuk SHA-256 panjangnya 64 karakter.

  Dipelajari di Modul 02 · Reproduktibilitas

• hukum Littlejuga: Little

  Hubungan untuk sistem antrean yang stabil: rata-rata jumlah permintaan di dalam sistem L = laju kedatangan λ × rata-rata waktu di sistem W. Berlaku untuk rata-rata, bukan batas atas.

  Contoh: 80 permintaan per detik dengan W = 50 ms berarti rata-rata ada 80 × 0,050 = 4 permintaan di dalam sistem.

  Dipelajari di Modul 10 · Penyajian model

• idempoten

  Sifat langkah yang boleh dijalankan berkali-kali dengan hasil sama seperti dijalankan sekali. Penting karena pekerjaan otomatis sering diulang setelah gagal di tengah jalan.

  Contoh: menyimpan berkas yang sama dua kali ke gudang beralamat isi tidak menambah objek baru.

  Dipelajari di Modul 03 · Versi data dan artefak

• irisanjuga: irisan data

  Sebagian data yang dipilih menurut satu ciri, misalnya satu RT, satu bulan, atau satu kelompok usia. Model bisa baik secara rata-rata tetapi buruk di satu irisan, jadi kinerjanya juga diukur per irisan.

  Contoh: September, model menebak 9,6% churn di RT03/RT04 padahal 26,3% benar-benar churn.

  Dipelajari di Modul 01 · Dari notebook ke produksi

• join titik waktujuga: titik waktu, point-in-time join

  Cara menempelkan fitur ke setiap baris prediksi: untuk kunci k dan waktu t, ambil nilai fitur terakhir yang berlaku pada atau sebelum t. Dengan begitu model hanya melihat apa yang sudah diketahui saat itu.

  Contoh: menempel lama_bulan dari tabel terkini menaikkan AUC dari 0,7187 ke 0,7674, karena memakai informasi masa depan.

  Dipelajari di Modul 06 · Fitur dan feature store

• JSON kanonik

  Cara menulis objek sebagai teks JSON yang selalu sama untuk isi yang sama: kunci diurutkan, tanpa spasi, dan NaN ditolak. Teks itulah yang di-hash untuk memberi identitas konfigurasi, parameter, atau laporan.

  Contoh: {"model": "logistik", "C": 1.0} dan {"C": 1.0, "model": "logistik"} memberi hash yang sama.

  Dipelajari di Modul 02 · Reproduktibilitas

• json.dumps

  Fungsi yang mengubah objek Python menjadi teks JSON. sort_keys=True mengurutkan kunci, separators=(",", ":") membuang spasi, dan allow_nan=False membuat NaN memunculkan ValueError.

  Dipelajari di Modul 02 · Reproduktibilitas

• kalibrasijuga: terkalibrasi

  Kecocokan angka peluang dengan kenyataan: model terkalibrasi bila, dari pelanggan yang diberi peluang 0,2, sekitar 20% benar-benar churn.

  Contoh: Juli, rata-rata peluang 0,0923 dan churn aktual 0,0934.

  Dipelajari di C2 · Modul 05 · Evaluasi klasifikasi dan keputusan

• kartu modeljuga: model card

  Dokumen singkat yang menyertai model: tujuan, data latih, angka evaluasi per irisan, batasan, dan penggunaan yang tidak dianjurkan (Mitchell dkk. 2019).

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• kebocoran datajuga: kebocoran, kebocoran label

  Keadaan ketika model memakai informasi yang tidak akan tersedia saat prediksi sungguhan, misalnya nilai dari masa depan. Nilainya tampak bagus saat diuji tetapi gagal di dunia nyata.

  Dipelajari di C2 · Modul 02 · Data, fitur, dan pemisahan yang jujur

• Kolmogorov–Smirnovjuga: Kolmogorov-Smirnov, KS, uji KS

  Ukuran jarak dua sampel tanpa bin: D = jarak terbesar antara dua fungsi sebaran kumulatifnya, antara 0 dan 1. D adalah ukuran efek; p-value KS dengan ribuan baris menjadi kecil bahkan untuk perbedaan yang tidak penting, jadi buruk sebagai alarm.

  Contoh: frekuensi_90h Juli D = 0,050, p < 0,05, padahal Juli normal.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• ks_2samp

  Fungsi SciPy untuk uji Kolmogorov–Smirnov dua sampel. Hasilnya punya statistic (jarak D) dan pvalue.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• label terlambatjuga: label yang datang terlambat

  Label yang baru diketahui lama sesudah prediksi dibuat. Pemantauan dan pelatihan hanya boleh memakai label yang sudah datang pada tanggal itu.

  Contoh: churn snapshot bulan M baru diketahui akhir bulan M + 1, jadi label Februari 2027 belum ada.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan

• laju pembakaranjuga: burn rate

  Seberapa cepat anggaran galat terpakai: rasio galat dibagi anggaran. Laju 1 menghabiskan anggaran tepat di akhir jendela SLO; laju 14,4 selama 1 jam menghabiskan 2% anggaran 30 hari.

  Dipelajari di Modul 13 · Insiden dan keandalan

• latensijuga: latency

  Waktu dari permintaan masuk sampai jawaban keluar, termasuk waktu menunggu di antrean. Yang dijanjikan kepada pengguna biasanya persentil latensi, misalnya p95, bukan rata-ratanya.

  Dipelajari di Modul 10 · Penyajian model

• latih ulang

  Melatih model lagi dengan data yang lebih baru. Sebaiknya dipicu aturan yang punya dasar statistik, bukan jadwal buta atau ambang tetap pada metrik yang berderau.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan

• lineagejuga: asal-usul

  Catatan dari mana setiap artefak berasal: data, kode, dan konfigurasi apa yang dipakai untuk membuatnya. Ditelusuri ke hulu untuk menjawab "dibuat dari apa?" dan ke hilir untuk menjawab "apa saja yang terdampak?".

  Contoh: sesudah porsi_qris November ketahuan rusak, lineage ke hilir menunjukkan model dan laporan mana yang memakainya.

  Dipelajari di Modul 03 · Versi data dan artefak

• LLMOps

  MLOps untuk sistem berbasis model bahasa besar: prompt dan model diperlakukan sebagai artefak berversi, dievaluasi di CI, dirilis dan di-rollback lewat alias, lalu dipantau kualitas, biaya token, dan drift-nya.

  Dipelajari di Modul 15 · LLMOps

• lock filejuga: lockfile

  Berkas yang mencatat versi persis setiap paket beserta hash-nya, sehingga lingkungan bisa dipasang ulang sama persis di mesin lain. Untuk pelatihan, lock file ikut menjadi bagian resep yang di-hash.

  Dipelajari di F5 · Modul 01 · Proyek rapi dan dependensi terkunci

• log append-onlyjuga: append-only

  Catatan yang hanya boleh bertambah: baris lama tidak pernah diubah atau dihapus. Koreksi juga ditambahkan sebagai baris baru, sehingga riwayat lengkap tetap bisa dibaca dan keadaan pada waktu mana pun bisa dihitung ulang.

  Contoh: tabel metrik menolak UPDATE dengan IntegrityError: metrik append-only: UPDATE dilarang.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• loop umpan balikjuga: feedback loop

  Keadaan ketika keputusan model mengubah data yang nanti dipakai untuk melatih model itu sendiri. Bila tidak disadari, model baru belajar dari akibat keputusannya, bukan dari perilaku asli.

  Contoh: kupon menahan sebagian pelanggan yang akan churn, sehingga label mereka tercatat 0 dan model naif menurunkan risiko kelompok yang justru paling berisiko.

  Dipelajari di Modul 01 · Dari notebook ke produksi

• M/M/1juga: antrean M/M/1

  Model antrean paling sederhana: kedatangan acak (Poisson), waktu layan acak eksponensial, satu pelayan. Rumusnya, misalnya W = 1/(μ − λ), hanya berlaku bila utilisasi di bawah 1.

  Dipelajari di Modul 10 · Penyajian model

• manifest

  Daftar kecil {jalur: hash} yang menggambarkan isi satu folder pada satu saat. Dua manifest dibandingkan untuk tahu berkas mana yang berubah, tanpa membaca isi berkasnya.

  Contoh: manifest panel dengan November yang rusak dan manifest sesudah perbaikan hanya berbeda di baris 2026/11.csv.

  Dipelajari di Modul 03 · Versi data dan artefak

• math.combjuga: comb

  Fungsi pustaka standar untuk banyaknya cara memilih k dari n benda, C(n, k). Bilangan bulat Python tidak meluap, jadi hasilnya tepat walau sangat besar.

  Contoh: math.comb(4, 2) memberi 6.

  Dipelajari di Modul 11 · Rilis aman

• McNemarjuga: uji McNemar

  Uji berpasangan untuk keputusan atau jawaban benar/salah dua model pada butir yang sama. Hanya pasangan yang berbeda (benar di satu model, salah di yang lain) yang dihitung; di bawah hipotesis "setara", kedua arah sama mungkin.

  Contoh: keputusan kupon Desember: 26 pelanggan diputuskan benar oleh juara tetapi salah oleh penantang, sebaliknya hanya 3.

  Dipelajari di Modul 09 · CI/CD untuk model

• mengintip berulangjuga: mengintip, intip

  Menjalankan uji yang sama berkali-kali selagi data masih bertambah, lalu berhenti begitu p < α. Setiap intip memberi peluang baru untuk alarm palsu, sehingga peluang alarm palsu keseluruhan jauh di atas α.

  Dipelajari di Modul 11 · Rilis aman

• merge_asofjuga: pd.merge_asof

  Fungsi pandas untuk join titik waktu: setiap baris kiri mendapat baris kanan terakhir yang waktunya ≤ waktunya sendiri (direction="backward"), per kunci by. Kedua tabel harus terurut menurut kolom on.

  Dipelajari di Modul 06 · Fitur dan feature store

• ML Test Score

  Rubrik 28 uji kesiapan produksi (Breck dkk. 2017) dalam empat bagian: data, model, infrastruktur, dan pemantauan. Uji manual bernilai 0,5, otomatis 1; nilai dijumlahkan per bagian, dan skor akhirnya minimum dari empat jumlah itu, bukan rata-ratanya.

  Contoh: churn-v1 kuat di data (3,0) tetapi pemantauannya 0,5, jadi skornya 0,5.

  Dipelajari di Modul 01 · Dari notebook ke produksi

• MLflow

  Perangkat sumber terbuka untuk pelacakan eksperimen (run, parameter, metrik, artefak) dan registry model, lengkap dengan antarmuka web. Course ini memakainya di Lab setelah kamu menulis versi kecilnya sendiri.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• MLOps

  Disiplin rekayasa untuk menjalankan model di produksi: data, konfigurasi, pelatihan, penyajian, dan pemantauan di sekeliling model dibuat bisa diulang, berversi, teruji, dan teramati. Kode modelnya sendiri hanya bagian kecil dari sistem.

  Contoh: model churn Warung Makmur sudah bagus di notebook; MLOps memastikan model yang sama bisa dilatih ulang, dirilis aman, dan dipantau selama delapan bulan.

  Dipelajari di Modul 01 · Dari notebook ke produksi

• norm.sf

  Fungsi SciPy untuk peluang ekor kanan normal baku, 1 − CDF. p-value dua sisi uji z adalah 2 * norm.sf(abs(z)).

  Contoh: 2 * norm.sf(3.0) memberi sekitar 0,0027.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan

• np.bincountjuga: bincount

  Fungsi NumPy yang menghitung kemunculan setiap bilangan bulat 0, 1, 2, …; minlength memastikan bin yang kosong tetap muncul dengan hitungan 0.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• np.percentilejuga: percentile

  Fungsi NumPy yang menghitung persentil, misalnya np.percentile(latensi, 95) untuk p95. Bawaannya menginterpolasi linear di antara dua nilai terdekat.

  Dipelajari di Modul 10 · Penyajian model

• np.random.default_rngjuga: default_rng

  Fungsi NumPy yang membuat pembangkit bilangan acak. Dengan benih yang sama, misalnya default_rng(0), deret acaknya selalu sama.

  Dipelajari di C1 · Modul 01 · Peran data scientist dan siklus analisis

• np.searchsortedjuga: searchsorted

  Fungsi NumPy yang mencari posisi sisip setiap nilai di larik terurut lewat cari biner. side="right" meletakkan nilai yang sama dengan batas di sebelah kanannya.

  Contoh: np.searchsorted(np.array([31, 59, 59, 90]), 59, side="right") memberi 3, posisi sesudah kedua angka 59.

  Dipelajari di Modul 06 · Fitur dan feature store

• p-valuejuga: nilai p

  Peluang mendapat hasil sejauh yang teramati, atau lebih jauh, bila sebenarnya tidak ada perbedaan. p kecil berarti hasil itu jarang terjadi karena kebetulan saja, tetapi tidak mengatakan seberapa besar perbedaannya.

  Dipelajari di C1 · Modul 08 · Uji hipotesis

• pelacakan eksperimenjuga: tracker, pelacak, pelacak eksperimen

  Pencatatan otomatis setiap run beserta parameter, metrik, dan asal-usulnya, sehingga run bisa dibandingkan dan diulang. Angkanya dihitung kode, bukan diketik tangan.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• penyimpanan beralamat isijuga: beralamat isi, gudang beralamat isi

  Cara menyimpan berkas dengan hash isinya sebagai nama atau alamat. Isi yang sama hanya tersimpan sekali, isi yang berbeda tidak pernah saling menimpa, dan isi bisa diperiksa ulang saat diambil.

  Contoh: versi rusak 2026/11.csv dan perbaikannya tersimpan sebagai dua objek berbeda, jadi versi lama tidak hilang.

  Dipelajari di Modul 03 · Versi data dan artefak

• pergeseran konsepjuga: concept drift

  Drift ketika hubungan fitur dengan label berubah, walau sebaran fiturnya tampak sama. Tidak terlihat dari fitur; baru terlihat dari label, misalnya lewat kalibrasi.

  Contoh: minimarket baru di RT03/RT04 pada September menaikkan churn tanpa mengubah fitur pelanggan.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• pergeseran kovariatjuga: data drift, covariate shift

  Drift ketika sebaran fitur berubah, sedangkan hubungan fitur dengan label tetap. Terlihat dari fitur, misalnya lewat PSI.

  Contoh: porsi_aplikasi naik terus sejak Oktober: PSI-nya dari 0,101 pada Oktober ke 1,474 pada Februari.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• persentiljuga: p50, p95, p99

  Nilai yang tidak dilampaui sekian persen data. p95 latensi 100 ms berarti 95% permintaan selesai dalam 100 ms dan 5% lebih lambat; p50 adalah median.

  Contoh: log layanan Desember tanpa boot dingin: p50 32,8 ms dan p99 81,0 ms.

  Dipelajari di Modul 10 · Penyajian model

• pipelinejuga: pipeline pelatihan

  Rangkaian langkah otomatis dengan urutan tetap, misalnya muat data → validasi → latih → evaluasi → daftarkan. Setiap langkah menerima keluaran langkah sebelumnya, sehingga seluruh proses bisa dijalankan ulang tanpa klik manual.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan

• pohon Merklejuga: Merkle, akar Merkle

  Susunan hash bertingkat: hash folder dihitung dari hash isi di dalamnya, terus naik sampai satu hash akar. Akar menjadi sidik seluruh isi; satu berkas berubah, maka folder induknya dan akarnya ikut berubah, sedangkan cabang lain tetap.

  Dipelajari di Modul 03 · Versi data dan artefak

• postmortemjuga: postmortem tanpa menyalahkan

  Laporan sesudah insiden: kronologi, dampak, penyebab, dan tindakan supaya tidak terulang. "Tanpa menyalahkan" berarti mencari celah sistem, bukan orang yang keliru.

  Contoh: postmortem November mencari mengapa porsi_qris ×100 lolos lebih dari empat minggu tanpa ada yang tahu.

  Dipelajari di Modul 13 · Insiden dan keandalan

• predict_proba

  Metode model scikit-learn yang mengembalikan peluang setiap kelas, satu baris per data. [:, 1] mengambil kolom peluang kelas 1, di sini peluang churn.

  Dipelajari di C2 · Modul 04 · Regresi logistik dan klasifikasi

• promosijuga: promosi model

  Keputusan memindahkan versi model ke tahap atau alias yang dipakai produksi. Yang dipromosikan adalah artefak yang sama persis dengan yang diuji (hash sama), bukan model yang dilatih ulang.

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• PSIjuga: Population Stability Index

  Ukuran pergeseran sebaran satu fitur: nilai dibagi ke bin dari kuantil data acuan, lalu proporsi acuan p dan proporsi baru q dibandingkan dengan Σ (q − p)·ln(q/p). Patokan: di bawah 0,1 stabil, 0,1–0,25 waspada, di atas 0,25 bergeser.

  Contoh: porsi_qris November 6,760 karena tercatat ×100.

  Dipelajari di Modul 12 · Pemantauan dan *drift*

• PYTHONHASHSEED

  Variabel lingkungan yang mengatur benih hash() bawaan Python untuk teks. Tanpa diatur, hash() dan urutan set berisi teks bisa berbeda di setiap proses, jadi jangan dipakai untuk identitas atau urutan yang harus tetap.

  Dipelajari di Modul 02 · Reproduktibilitas

• registry modeljuga: registry, model registry

  Daftar resmi model: setiap versi terikat ke satu hash artefak, punya tahap siklus hidup, alias, dan catatan siapa menyetujui apa. Registry menjawab "model mana yang dipakai layanan pada tanggal ini?".

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• reproduktibilitas

  Kemampuan mengulang pelatihan dan mendapat hasil yang sama dari kode, data, konfigurasi, dan lingkungan yang sama. Ada tingkatannya: sama persis sampai bit terakhir, sama dalam toleransi angka kecil, atau hanya sama secara statistik.

  Dipelajari di Modul 02 · Reproduktibilitas

• roc_auc_score

  Fungsi scikit-learn yang menghitung AUC dari label benar dan skor model: roc_auc_score(y, p). Label harus lengkap; NaN memunculkan galat.

  Dipelajari di C2 · Modul 05 · Evaluasi klasifikasi dan keputusan

• rollback

  Kembali ke versi sebelumnya yang diketahui sehat. Rollback yang baik sudah direncanakan sebelum rilis: pemicunya ditulis, dan caranya cukup satu langkah, misalnya memindahkan alias.

  Dipelajari di Modul 11 · Rilis aman

• run

  Satu kali menjalankan pelatihan atau evaluasi, dicatat lengkap: parameter, metrik, artefak, versi data dan kode, waktu mulai, dan status. Run yang gagal juga dicatat.

  Contoh: sapuan empat nilai C × sepuluh benih menghasilkan 40 run.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• runbook

  Panduan tertulis untuk menangani satu jenis alarm: cara memastikan masalahnya, langkah mitigasi yang aman, dan kapan harus memanggil orang lain. Ditulis sebelum insiden supaya keputusan tidak dibuat sambil panik.

  Dipelajari di Modul 13 · Insiden dan keandalan

• scale-to-zero

  Mematikan semua mesin layanan saat tidak ada permintaan supaya tidak membayar mesin menganggur. Harganya boot dingin untuk permintaan pertama sesudah mesin tidur.

  Contoh: tidur sesudah 5 menit menganggur menghemat sekitar seperempat waktu mesin, tetapi 358 permintaan seminggu mendarat di mesin yang sedang menyala.

  Dipelajari di Modul 14 · Infrastruktur dan biaya

• shadowjuga: bayangan, mode bayangan, rilis bayangan

  Pola rilis ketika versi baru menerima salinan setiap permintaan, tetapi jawabannya hanya dicatat, tidak dikirim. Hasilnya bisa dibandingkan berpasangan dengan versi lama tanpa risiko bagi pengguna.

  Contoh: dalam mode bayangan, churn-v2 akan menambah 25 kupon Desember dan mencabut 2.

  Dipelajari di Modul 11 · Rilis aman

• SLIjuga: service level indicator

  Ukuran mutu layanan yang dihitung dari data, biasanya bagian permintaan yang "baik", misalnya respons tanpa galat 500 atau latensi ≤ 100 ms.

  Dipelajari di Modul 13 · Insiden dan keandalan

• SLOjuga: service level objective

  Target untuk sebuah SLI dalam jendela waktu tertentu, misalnya "99,5% permintaan berhasil dalam 30 hari". SLO menentukan berapa banyak kegagalan yang masih bisa diterima.

  Dipelajari di Modul 13 · Insiden dan keandalan

• spotjuga: instans spot, mesin spot

  Mesin cloud berdiskon besar yang bisa diambil kembali penyedia kapan saja. Diskonnya hanya nyata bila pekerjaan menyimpan checkpoint, sehingga gangguan tidak mengulang semuanya dari awal.

  Dipelajari di Modul 14 · Infrastruktur dan biaya

• sqlite3.connect

  Fungsi pustaka standar yang membuka basis data SQLite dan mengembalikan objek koneksi. ":memory:" membuat basis data sementara di memori; nama berkas membuat atau membuka berkas basis data.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• tahapjuga: tahap model

  Status siklus hidup sebuah versi model di registry, misalnya kandidat, produksi, atau arsip. Tahap hanya berubah lewat transisi yang diizinkan, dan setiap nama model punya paling banyak satu versi produksi.

  Dipelajari di Modul 05 · Registry model dan siklus rilis

• tes arah

  Tes perilaku model: mengubah satu fitur ke arah tertentu harus menggerakkan peluang ke arah yang diharapkan, baris demi baris.

  Contoh: menaikkan frekuensi_90h tidak boleh menaikkan peluang churn.

  Dipelajari di Modul 08 · Pengujian sistem ML

• tes fungsi minimumjuga: MFT, minimum functionality test

  Tes dengan kasus sederhana yang pasti harus dijawab benar oleh model mana pun yang layak.

  Contoh: pelanggan yang 60 hari tidak datang, jarang belanja, dan sering mengeluh harus mendapat peluang churn minimal 0,6.

  Dipelajari di Modul 08 · Pengujian sistem ML

• tes invarian

  Tes perilaku model: mengubah hal yang seharusnya tidak berpengaruh tidak boleh mengubah peluang lebih dari toleransi. Diperiksa per baris, bukan lewat rata-rata.

  Dipelajari di Modul 08 · Pengujian sistem ML

• TestClient

  Kelas FastAPI untuk mengirim permintaan HTTP ke aplikasi langsung di dalam proses, tanpa server dan jaringan. Dipakai di tes: TestClient(app).post("/prediksi", json=...).

  Dipelajari di C2 · Modul 15 · Penyajian dan pemantauan model

• training–serving skewjuga: training-serving skew, skew

  Perbedaan antara fitur yang dihitung saat pelatihan dan fitur yang dihitung saat penyajian untuk baris yang sama. Penyebab tersering: kode fitur ditulis dua kali, misalnya sekali dengan pandas dan sekali lagi per baris untuk API.

  Contoh: pelatihan memakai recency_hari > 30, API memakai >= 30; pelanggan dengan recency tepat 30 hari mendapat fitur berbeda.

  Dipelajari di Modul 01 · Dari notebook ke produksi

• TTLjuga: time to live

  Batas umur nilai fitur. Nilai yang lebih tua dari TTL dianggap basi dan tidak dipakai, sehingga layanan tidak diam-diam memakai data lama.

  Contoh: TTL 35 hari untuk fitur bulanan: snapshot bulan lalu masih boleh dipakai, snapshot dua bulan lalu tidak.

  Dipelajari di Modul 06 · Fitur dan feature store

• uji berpasangan

  Uji statistik yang membandingkan dua model pada butir yang sama (benih, pelanggan, atau soal yang sama) lewat selisih per butir. Derau yang dialami kedua model bersamaan saling hapus, sehingga perbedaan kecil lebih mudah terlihat.

  Contoh: C = 0,1 lawan C = 1 per benih memberi p = 8,42·10⁻⁶; uji tak berpasangan memberi 0,221.

  Dipelajari di Modul 04 · Pelacakan eksperimen

• uji Fisher eksakjuga: Fisher eksak, uji Fisher

  Uji untuk membandingkan dua proporsi, misalnya laju galat dua versi, yang tetap sah untuk hitungan kecil. Peluangnya dihitung tepat dari sebaran hipergeometrik, bukan dari pendekatan normal.

  Contoh: 12 galat dari 764 lawan 4 dari 1.968 memberi p = 0,000121.

  Dipelajari di Modul 11 · Rilis aman

• utilisasi

  Bagian waktu pelayan sibuk, ρ = laju kedatangan / laju layan. Makin dekat ke 1, waktu menunggu tumbuh sangat cepat, jadi layanan direncanakan pada utilisasi 50–70%.

  Dipelajari di Modul 10 · Penyajian model

• validasi rentang

  Pemeriksaan bahwa setiap nilai berada dalam rentang yang mungkin menurut arti kolomnya, sebelum dipakai model. Nilai kosong (NaN) juga harus ditolak secara tegas.

  Contoh: porsi_qris adalah porsi, jadi harus di antara 0 dan 1; nilai 33 pasti rusak.

  Dipelajari di Modul 13 · Insiden dan keandalan

• z kalibrasi

  Statistik yang membandingkan jumlah churn teramati dengan jumlah yang diharapkan model: z = (Σy − Σp) / √Σp(1 − p). Bila model terkalibrasi, z kira-kira normal baku, jadi |z| ≥ 3 jarang terjadi karena kebetulan.

  Contoh: September z = 8,07, tanda pergeseran konsep.

  Dipelajari di Modul 07 · Pipeline pelatihan dan pelatihan berkelanjutan