Logging Terstruktur untuk Prediksi
Catat input, output, dan latensi sebagai JSON.
Logging Terstruktur untuk Prediksi adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Mengapa Mencatat Prediksi
Setelah model Anda melayani pengguna nyata, Anda tidak dapat mengawasinya secara manual. Pencatatan setiap prediksi adalah cara untuk melihat perilaku sebenarnya di production. 📊
Teks Biasa Menyulitkan
Baris log seperti "got request, returned 0.91" mungkin mudah dipahami oleh Anda, tetapi sangat sulit ditelusuri dalam skala besar. Mesin membutuhkan struktur, bukan prosa.
Pencatatan Terstruktur
Pencatatan terstruktur berarti setiap baris log merupakan objek kecil yang berisi bidang bernama, bukan kalimat. Dengan begitu, alat dapat langsung memfilter, mengelompokkan, dan mengagregasikannya.
JSON Adalah Formatnya
Pilihan yang umum adalah satu objek JSON untuk setiap baris. Setiap bidang memiliki kunci, sehingga sistem log dapat menguraikannya dengan cara yang sama setiap saat.
{"event": "prediction", "model": "churn-v3", "score": 0.91}Hal yang Dicatat untuk Setiap Prediksi
Untuk setiap pemanggilan, catat input, output, dan durasi yang dibutuhkan. Secara bersama-sama, data ini memungkinkan Anda men-debug, mengaudit, dan mengukur kualitas di kemudian hari.
Catat Latensinya
Selalu catat latensi dalam milidetik. Latensi merupakan peringatan paling awal bahwa model atau servernya mulai mengalami kesulitan.
import time
start = time.perf_counter()
score = model.predict(x)
latency_ms = (time.perf_counter() - start) * 1000Tambahkan ID untuk Melacaknya
Berikan request_id yang unik untuk setiap permintaan. Nantinya, Anda dapat mengikuti satu prediksi di berbagai log, dasbor, hingga hasil nyata yang akhirnya terjadi.
import uuid
request_id = str(uuid.uuid4())Buat Catatan Log
Kumpulkan bidang-bidang Anda ke dalam satu kamus. Record tunggal ini menjadi satu baris JSON yang dapat ditelusuri dalam log Anda.
record = {
"request_id": request_id,
"model": "churn-v3",
"score": score,
"latency_ms": latency_ms,
}Keluarkan JSON dengan Logger
Gunakan modul bawaan Python logging dan keluarkan record sebagai JSON. Jangan pernah menggunakan print karena cara itu melewati level dan stempel waktu.
import json, logging
log = logging.getLogger("predictions")
log.info(json.dumps(record))Jangan Pernah Mencatat Rahasia Mentah
Berhati-hatilah dengan data yang dimasukkan. Lewati kata sandi, token, dan PII mentah, atau lakukan hash pada bidang sensitif sebelum data tersebut menyentuh baris log. 🔒
Kirim Log ke Tempat Terpusat
Log yang hanya berada di satu server akan hilang saat server tersebut dimulai ulang. Teruskan log ke penyimpanan terpusat seperti Loki atau CloudWatch agar tetap tersedia meskipun satu kontainer berhenti.
Pemeriksaan Singkat
Anda menginginkan log prediksi yang dapat ditelusuri dan diagregasikan dalam skala besar. Format apa yang paling sesuai?
Ringkasan
Anda mencatat setiap prediksi sebagai record JSON terstruktur yang berisi input, output, latensi, dan ID, lalu mengirimkannya ke tempat terpusat. Itulah cara Anda memantau sistem di production. ✅
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Logging Terstruktur untuk Prediksi” gratis?
Ya — teks lengkap “Logging Terstruktur untuk Prediksi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Logging Terstruktur untuk Prediksi”?
Catat input, output, dan latensi sebagai JSON. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Logging Terstruktur untuk Prediksi” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Logging Terstruktur untuk Prediksi
- Buka Metrik dengan Prometheus
- Bangun Dasbor Grafana
- Beri Peringatan untuk Lonjakan Latensi dan Error