Pengantar

Ketika berbicara tentang Artificial Intelligence (AI) dan Machine Learning (ML), kita sering mendengar istilah Machine Learning Engineer dan MLOps Engineer.

Keduanya sama-sama berhubungan dengan machine learning, tetapi memiliki fokus pekerjaan yang berbeda.

Secara sederhana, Machine Learning Engineer lebih banyak berfokus pada bagaimana membuat dan mengembangkan model machine learning, sedangkan MLOps Engineer berfokus pada bagaimana model tersebut dapat dijalankan, di-deploy, dimonitor, dan dikelola dengan baik di lingkungan production.

Namun, dalam praktiknya, batas antara kedua pekerjaan ini tidak selalu kaku. Pada perusahaan kecil, seorang engineer bahkan bisa mengerjakan kedua fungsi tersebut.

Lalu, apa sebenarnya perbedaan MLOps dan Machine Learning Engineer?

Apa Itu Machine Learning Engineer?

Machine Learning Engineer adalah orang yang bertanggung jawab untuk membangun dan mengembangkan solusi berbasis machine learning.

Pekerjaan mereka berada di antara dunia software engineering, data, dan machine learning.

Seorang ML Engineer tidak hanya membuat model, tetapi juga memastikan model tersebut dapat digunakan oleh aplikasi atau sistem.

Misalnya sebuah perusahaan ingin membuat sistem yang dapat mendeteksi apakah sebuah email merupakan spam atau bukan.

ML Engineer dapat melakukan beberapa pekerjaan seperti:

  • Menyiapkan dataset.
  • Membersihkan data.
  • Menentukan fitur yang digunakan.
  • Memilih algoritma machine learning.
  • Melatih model.
  • Melakukan evaluasi model.
  • Melakukan hyperparameter tuning.
  • Mengoptimalkan model.
  • Membuat API untuk mengakses model.
  • Mengintegrasikan model dengan aplikasi.

Dengan kata lain, ML Engineer banyak berurusan dengan pertanyaan:

“Bagaimana kita membuat model machine learning yang dapat menyelesaikan masalah tertentu?”

Contoh Pekerjaan Machine Learning Engineer

Misalnya sebuah marketplace ingin membuat sistem rekomendasi produk.

ML Engineer dapat membuat model yang mempelajari:

  • produk yang sering dilihat pengguna,
  • produk yang pernah dibeli,
  • kategori produk yang disukai,
  • pola pencarian,
  • interaksi pengguna.

Dari data tersebut, ML Engineer kemudian membuat model untuk memberikan rekomendasi produk.

Misalnya:

User A → sering membeli laptop → melihat mouse → mencari keyboard

Sistem kemudian dapat memberikan rekomendasi:

“Produk yang mungkin Anda sukai: Mechanical Keyboard.”

ML Engineer bertanggung jawab untuk mengembangkan logika dan model yang menghasilkan rekomendasi tersebut.

Apa Itu MLOps?

Sekarang kita masuk ke MLOps.

MLOps merupakan pendekatan untuk mengelola lifecycle machine learning mulai dari pengembangan sampai production.

Istilah MLOps berasal dari kombinasi:

Machine Learning + Operations

Konsepnya memiliki hubungan erat dengan DevOps.

Jika DevOps membantu mengotomatisasi dan mengelola lifecycle aplikasi, maka MLOps menerapkan prinsip serupa untuk sistem machine learning.

Masalahnya, machine learning memiliki beberapa komponen tambahan.

Dalam aplikasi biasa kita mungkin memiliki:

Source Code → Build → Test → Deploy

Sedangkan machine learning dapat memiliki:

Data → Training → Model → Validation → Deployment → Monitoring → Retraining

Artinya, setelah model selesai dibuat, masih banyak pekerjaan yang harus dilakukan.

Mengapa MLOps Dibutuhkan?

Membuat model machine learning di laptop menggunakan Jupyter Notebook adalah satu hal.

Menjalankan model tersebut untuk melayani jutaan request pengguna adalah hal yang berbeda.

Misalnya sebuah model memiliki performa sangat baik ketika diuji menggunakan dataset tahun 2025.

Namun beberapa bulan kemudian, perilaku pengguna berubah.

Data yang masuk ke sistem juga berubah.

Akibatnya performa model dapat menurun.

Kondisi seperti ini dapat disebut sebagai model drift atau data drift, tergantung pada perubahan yang terjadi.

Karena itu, model machine learning perlu:

  • dimonitor,
  • di-versioning,
  • di-deploy,
  • diuji,
  • diperbarui,
  • dan terkadang dilatih kembali.

Di sinilah MLOps menjadi penting.

Apa Saja Tugas MLOps Engineer?

MLOps Engineer berfokus pada bagaimana membuat lifecycle machine learning menjadi reliable, reproducible, scalable, dan automated.

Beberapa tugasnya antara lain:

1. Membuat Pipeline ML

MLOps Engineer dapat membuat pipeline otomatis seperti:

Data → Training → Testing → Validation → Deployment

Sehingga engineer tidak perlu menjalankan semua proses secara manual.

2. Membuat CI/CD untuk Machine Learning

Konsep CI/CD yang biasa digunakan dalam software development juga dapat diterapkan pada machine learning.

Contohnya:

Developer melakukan perubahan
        ↓
Git Repository
        ↓
Automated Test
        ↓
Train / Validate Model
        ↓
Model Registry
        ↓
Deployment
        ↓
Production

Dengan pipeline seperti ini, proses deployment model dapat menjadi lebih konsisten.

3. Model Versioning

Model machine learning dapat berubah berkali-kali.

Misalnya:

model-v1
model-v2
model-v3
model-v4

MLOps membantu memastikan setiap versi model dapat dilacak.

Hal ini penting jika model terbaru ternyata memiliki masalah.

Tim dapat mengetahui model mana yang sedang digunakan dan melakukan rollback jika diperlukan.

4. Deployment Model

MLOps Engineer membantu menjalankan model di production.

Model dapat dijalankan menggunakan:

  • Docker,
  • Kubernetes,
  • cloud infrastructure,
  • API service,
  • inference server.

Contohnya:

User
  ↓
Application
  ↓
API
  ↓
ML Model
  ↓
Prediction

5. Monitoring

Setelah model berjalan di production, pekerjaan belum selesai.

Sistem harus dipantau.

Monitoring dapat mencakup:

  • CPU,
  • RAM,
  • GPU,
  • latency,
  • error rate,
  • throughput,
  • model performance,
  • data drift,
  • model drift.

Tools seperti Prometheus dan Grafana dapat digunakan untuk monitoring infrastructure dan service.

6. Automasi Retraining

Model mungkin perlu dilatih kembali ketika data baru sudah tersedia.

Misalnya setiap minggu sistem mendapatkan dataset baru.

Pipeline dapat dibuat seperti:

Data Baru
   ↓
Data Validation
   ↓
Training
   ↓
Model Evaluation
   ↓
Model Registry
   ↓
Deployment

Dengan automation, proses ini dapat berjalan dengan sedikit intervensi manual.

MLOps vs Machine Learning Engineer

Sekarang kita dapat melihat perbedaan keduanya secara lebih jelas.

Aspek Machine Learning Engineer MLOps Engineer
Fokus utama Model dan solusi ML Lifecycle dan operasi ML
Data preparation Ya Mendukung pipeline
Training model Utama Automasi/support
Model evaluation Utama Diintegrasikan ke pipeline
Deployment Implementasi model Automation dan infrastructure
CI/CD Menggunakan Banyak terlibat dalam pembangunan pipeline
Monitoring Performa model Model, service, dan infrastructure
Infrastructure Menggunakan Mengelola/menyiapkan
Automation Sebagian Fokus utama
Scaling Berkolaborasi Infrastruktur dan deployment
Model versioning Menggunakan Mengelola sistem versioning
Retraining Mengembangkan model Mengotomatisasi proses

Perlu diperhatikan bahwa pembagian ini bukan aturan mutlak.

Setiap perusahaan dapat memiliki pembagian tanggung jawab yang berbeda.

Melihat Perbedaan dari ML Lifecycle

Agar lebih mudah dipahami, kita dapat melihat lifecycle machine learning berikut:

              ┌──────────────┐
              │     Data     │
              └──────┬───────┘
                     ↓
              ┌──────────────┐
              │   Training   │
              └──────┬───────┘
                     ↓
              ┌──────────────┐
              │  Validation  │
              └──────┬───────┘
                     ↓
              ┌──────────────┐
              │ Model Registry│
              └──────┬───────┘
                     ↓
              ┌──────────────┐
              │  Deployment  │
              └──────┬───────┘
                     ↓
              ┌──────────────┐
              │  Monitoring  │
              └──────┬───────┘
                     ↓
                Retraining
                     │
                     └──────────→ Training

Pada lifecycle tersebut, ML Engineer dan MLOps Engineer dapat bekerja bersama.

Data

ML Engineer menentukan kebutuhan data untuk model.

MLOps Engineer dapat membantu membangun pipeline untuk memproses dan menyediakan data secara otomatis.

Training

ML Engineer mengembangkan dan melatih model.

MLOps Engineer membantu membuat proses training yang reproducible dan automated.

Validation

ML Engineer menentukan metrik yang digunakan untuk mengevaluasi model.

MLOps Engineer dapat memasukkan proses tersebut ke dalam pipeline.

Deployment

ML Engineer memastikan model dapat digunakan oleh aplikasi.

MLOps Engineer membantu mengotomatisasi deployment dan menyediakan infrastructure.

Monitoring

ML Engineer memperhatikan performa model.

MLOps Engineer memonitor model service, infrastructure, resource, latency, dan berbagai metrik operasional.

Retraining

ML Engineer dapat melakukan perubahan terhadap model.

MLOps Engineer membantu mengotomatisasi proses training dan deployment ulang.

Studi Kasus: Sistem Rekomendasi E-Commerce

Mari kita gunakan contoh sederhana.

Sebuah marketplace memiliki jutaan pengguna dan ingin memberikan rekomendasi produk.

ML Engineer

ML Engineer mengerjakan:

  1. Menganalisis data pengguna.
  2. Menentukan fitur.
  3. Memilih algoritma.
  4. Melatih model.
  5. Mengevaluasi model.
  6. Mengoptimalkan model.
  7. Menyiapkan model untuk digunakan aplikasi.

Misalnya hasilnya adalah:

Recommendation Model v1
Accuracy: ...
Precision: ...
Recall: ...

Model kemudian siap untuk digunakan.

MLOps Engineer

MLOps Engineer kemudian membantu memastikan model tersebut dapat berjalan di production.

Misalnya:

Git
 ↓
CI/CD
 ↓
Training Pipeline
 ↓
Model Registry
 ↓
Docker
 ↓
Kubernetes
 ↓
Production
 ↓
Monitoring

MLOps juga dapat menyiapkan sistem untuk mendeteksi apakah performa model mulai menurun.

Dengan demikian, keduanya memiliki pekerjaan yang berbeda tetapi saling berhubungan.

Tools yang Digunakan ML Engineer

ML Engineer biasanya banyak menggunakan tools yang berkaitan dengan data dan machine learning.

Contohnya:

  • Python
  • Pandas
  • NumPy
  • Scikit-learn
  • TensorFlow
  • PyTorch
  • Jupyter
  • Hugging Face

Selain itu, kemampuan software engineering juga sangat penting.

ML Engineer tidak hanya menulis notebook, tetapi perlu memahami bagaimana model dapat diintegrasikan dengan aplikasi.

Tools yang Digunakan MLOps Engineer

MLOps memiliki banyak irisan dengan DevOps.

Beberapa tools yang umum digunakan antara lain:

  • Git
  • Docker
  • Kubernetes
  • GitHub Actions
  • GitLab CI/CD
  • Jenkins
  • MLflow
  • Kubeflow
  • Apache Airflow
  • Terraform
  • Prometheus
  • Grafana

Cloud platform seperti AWS, Google Cloud, dan Microsoft Azure juga banyak digunakan untuk menjalankan workload machine learning.

Skill yang Dibutuhkan Machine Learning Engineer

Beberapa skill penting untuk ML Engineer antara lain:

Programming

  • Python
  • SQL
  • Software engineering

Machine Learning

  • Supervised learning
  • Unsupervised learning
  • Model evaluation
  • Feature engineering
  • Hyperparameter tuning

Deep Learning

  • Neural network
  • CNN
  • RNN
  • Transformer

Data

  • Data preprocessing
  • Data analysis
  • Data validation

Engineering

  • API
  • Git
  • Testing
  • Containerization dasar

Skill yang Dibutuhkan MLOps Engineer

MLOps memiliki banyak kemiripan dengan DevOps.

Skill yang dapat menjadi fondasi antara lain:

Linux

Memahami:

  • process management,
  • systemd,
  • networking,
  • storage,
  • permissions,
  • shell scripting.

Container

Memahami Docker dan container orchestration.

CI/CD

Memahami bagaimana membuat pipeline otomatis untuk:

Code → Test → Build → Deploy

dan mengembangkannya untuk kebutuhan ML.

Cloud

Memahami infrastructure pada cloud provider.

Infrastructure as Code

Misalnya menggunakan Terraform untuk membuat infrastructure secara reproducible.

Monitoring

Memahami:

  • metrics,
  • logs,
  • alerts,
  • observability.

Machine Learning Fundamentals

MLOps Engineer tetap perlu memahami dasar machine learning agar dapat memahami lifecycle model yang dikelolanya.

Apakah MLOps Sama dengan DevOps?

Tidak sepenuhnya.

Keduanya memiliki banyak konsep yang sama, terutama dalam:

  • automation,
  • CI/CD,
  • infrastructure,
  • monitoring,
  • deployment,
  • reliability.

Tetapi machine learning memiliki komponen tambahan.

Dalam aplikasi biasa:

Code → Build → Test → Deploy

Dalam machine learning:

Data
 ↓
Training
 ↓
Model
 ↓
Evaluation
 ↓
Deployment
 ↓
Monitoring
 ↓
Retraining

Machine learning tidak hanya bergantung pada source code.

Data dan model juga menjadi bagian penting dari lifecycle.

Itulah salah satu alasan mengapa MLOps berkembang sebagai bidang tersendiri.

Apakah Satu Orang Bisa Menjadi ML Engineer dan MLOps Engineer?

Bisa.

Terutama pada startup atau perusahaan dengan tim kecil.

Seorang engineer dapat melakukan:

Develop Model
      ↓
Build API
      ↓
Create Docker Image
      ↓
Deploy
      ↓
Monitor

Artinya, satu orang dapat menangani sebagian besar lifecycle.

Namun pada perusahaan yang lebih besar, pekerjaan biasanya dapat dibagi menjadi beberapa role, misalnya:

  • Data Engineer
  • Data Scientist
  • Machine Learning Engineer
  • MLOps Engineer
  • DevOps Engineer
  • Cloud Engineer
  • AI Engineer

Pembagian tersebut bergantung pada struktur dan kebutuhan masing-masing perusahaan.

MLOps atau ML Engineer?

Pertanyaan yang lebih tepat bukan mana yang lebih baik, tetapi:

Peran mana yang lebih sesuai dengan minat dan skill yang ingin Anda kembangkan?

Jika Anda lebih tertarik dengan:

  • algoritma,
  • data,
  • statistik,
  • eksperimen,
  • training model,
  • optimasi model,

maka jalur Machine Learning Engineer dapat menjadi pilihan pembelajaran yang relevan.

Sementara itu, jika Anda lebih tertarik dengan:

  • Linux,
  • Docker,
  • Kubernetes,
  • cloud,
  • CI/CD,
  • automation,
  • infrastructure,
  • monitoring,

maka bidang MLOps memiliki banyak keterkaitan dengan skill tersebut.

Bagi seseorang yang sudah memiliki pengalaman DevOps, konsep MLOps juga dapat menjadi salah satu jalur untuk memperluas kemampuan menuju AI dan machine learning.

MLOps dan Perkembangan Generative AI

Perkembangan Generative AI juga membuat operational AI semakin kompleks.

Sistem berbasis Large Language Model (LLM), misalnya, membutuhkan perhatian terhadap:

  • model versioning,
  • prompt management,
  • evaluation,
  • RAG pipeline,
  • vector database,
  • latency,
  • token usage,
  • infrastructure,
  • cost monitoring,
  • observability,
  • security,
  • guardrails.

Dari sinilah muncul istilah seperti LLMOps.

Secara sederhana:

DevOps
   ↓
MLOps
   ↓
LLMOps

Ketiganya memiliki konsep yang saling berhubungan, tetapi kebutuhan operasionalnya dapat berbeda.

Kesimpulan: Model Bagus Saja Tidak Cukup

Machine Learning Engineer dan MLOps Engineer memiliki fokus yang berbeda, tetapi keduanya saling melengkapi.

Machine Learning Engineer lebih banyak berfokus pada bagaimana membangun dan mengembangkan model serta solusi machine learning.

Sementara itu, MLOps Engineer lebih banyak berfokus pada bagaimana model tersebut dapat dibawa ke production, di-deploy, dimonitor, di-scale, di-versioning, dan dikelola sepanjang lifecycle-nya.

Gambaran sederhananya adalah:

Machine Learning Engineer
        │
        │  Membuat & mengembangkan model
        ↓
     ML Model
        │
        │  Deployment & Operations
        ↓
    MLOps Engineer
        │
        ↓
    Production
        │
        ↓
     Monitoring
        │
        ↓
    Retraining

Jadi, machine learning bukan hanya tentang membuat model yang memiliki performa bagus.

Model tersebut juga harus dapat dijalankan secara reliable di lingkungan production.

Di situlah ML Engineer dan MLOps Engineer bekerja bersama: membawa machine learning dari eksperimen → production → monitoring → improvement.

Related Posts: