Model

Apa & untuk apa

Model adalah aset untuk menyimpan dan membagikan model machine learning di PSD — bergaya Hugging Face. Setiap model punya README (kartu model), versi, kontributor, metrik, dan berkas bobot (weights), sehingga karya ML Anda mudah ditemukan, dievaluasi, dan dipakai ulang.

Model cocok untuk menerbitkan hasil latihan: klasifikasi teks, forecasting tabular, model NLP Bahasa Indonesia, atau bobot hasil eksperimen kuantum. Anda bisa membuat model publik agar komunitas bisa mengunduh dan mempelajarinya, atau privat untuk pekerjaan internal.

Cara kerja

Setiap model adalah aset dengan kind="model". Halaman detail model memakai tata letak aset standar PSD:

• README — kartu model dengan front-matter YAML (lisensi, tag, bahasa, dataset, metrik, task).
• Files — berkas bobot, konfigurasi, tokenizer, dan artefak pendukung.
• Versi — tag/rilis untuk melacak iterasi model.
• Branch — eksperimen paralel tanpa mengganggu versi stabil.
• Kontributor — gabungan author commit Git dan anggota Tim Kolaborasi.

Anda bisa menambah berkas lewat unggah peramban atau Git (clone → commit → push), sama seperti Proyek dan Dataset. README dengan front-matter YAML otomatis diekstrak menjadi chip kartu di header (lisensi, tag, bahasa, metrik, dan sejenisnya).

Model yang sudah matang bisa didaftarkan ke Registry Model untuk kelola siklus hidup MLOps (versi, stage, monitoring drift) — fitur lanjut, dijelaskan di artikel Registry Model terpisah.

Kapan dipakai

Cocok untuk:

• Menerbitkan model ML hasil latihan (sklearn, PyTorch, TensorFlow, dll.).
• Membagikan baseline kompetisi atau model riset ke komunitas.
• Menyimpan bobot hasil Ruang Kuantum (QML) setelah latihan sukses.
• Membangun portofolio ML yang bisa dilihat rekruter atau instruktur.

Kurang tepat bila:

• Anda hanya menyimpan data latih — gunakan Dataset.
• Anda menyimpan kode latihan tanpa bobot — gunakan Proyek atau Notebook.
• Anda butuh measure analitik (gaya DAX) di atas tabel gold — itu Ruang Model Semantik, bukan aset Model ML.

Langkah demi langkah

Membuat model baru

1. Buka menu Aset → Model, lalu tekan Buat Model.
2. Isi nama, deskripsi, dan pilih visibilitas (publik/privat).
3. Model siap — mulai isi README dan unggah berkas bobot.

Menulis kartu model (README)

1. Buka tab README dan tulis dokumentasi model.
2. Tambahkan front-matter YAML di awal berkas (diapit ---) agar metadata terstruktur:

   ---
   license: apache-2.0
   language:
     - id
   tags:
     - nlp
     - sentiment
   datasets:
     - username/dataset-sentimen-id
   metrics:
     - name: accuracy
       value: 0.91
   library_name: transformers
   pipeline_tag: text-classification
   task_categories:
     - text-classification
   ---

1. Di bawah front-matter, jelaskan: tujuan model, cara penggunaan, contoh inferensi, dan batasan.

Mengunggah berkas bobot

Opsi A — Unggah dari peramban

1. Buka tab Files.
2. Unggah berkas bobot (.pkl, .pt, .onnx, config.json, tokenizer, dll.).
3. Perhatikan batas ukuran unggah sesuai tier Anda.

Opsi B — Git (disarankan untuk model besar)

1. Siapkan kunci SSH atau token di Pengaturan.
2. Clone repositori model, tambahkan berkas, commit, dan push.
3. Untuk berkas sangat besar, pertimbangkan Git LFS (git lfs track "*.bin").

Menandai versi & kolaborasi

1. Tandai versi/tag saat model siap dirilis (mis. v1.0.0).
2. Buat branch untuk eksperimen arsitektur baru.
3. Undang kolaborator lewat Tim Kolaborasi — kontributor otomatis tercatat.
4. Model orang lain: fork → branch → Pull Request untuk kontribusi.

Menerbitkan bobot dari Ruang Kuantum

1. Latih sirkuit kuantum di aset Ruang Kuantum hingga sukses.
2. Tekan Terbitkan sebagai Model.
3. Pilih buat Model baru atau tautkan ke Model yang sudah ada.
4. Bobot QML tersimpan sebagai versi di Model terkait.

Mendaftarkan ke Registry Model *(opsional, lanjut)*

1. Dari halaman model, buka menu Registry *(bila tersedia)*.
2. Daftarkan model → atur versi, tag, dan stage (mis. staging/production).
3. Pantau drift dan metrik lewat dashboard Ruang Analitik — detail di artikel Registry Model.

Batas tier

Kapasitas model mengikuti tier reputasi Anda. Angka berikut ilustratif — angka dapat berubah.

Poin & quest

Quest bertema Model:

1. Model Pertama — buat dan publikasikan model ML pertama dengan README lengkap.
2. Kartu Lengkap — isi front-matter YAML (lisensi, tag, metrik, task).
3. Versi Rilis — tandai versi v1.0.0 setelah model siap dipakai.
4. Baseline Kompetisi — terbitkan model baseline untuk satu kompetisi aktif.
5. Kolaborator ML — terima Pull Request pertama di repo model Anda.

Masalah umum & solusi

Fitur terkait

• Registry Model — daftarkan model untuk siklus hidup MLOps, stage, dan monitoring drift.
• Ruang Kuantum — aset QML mandiri; bobot latihan bisa diterbitkan ke Model.
• Dataset — simpan data latih & evaluasi; akses lewat psd:// dari Notebook.
• Notebook — latih dan evaluasi model; push bobot ke repo Model.
• Kompetisi — kirim prediksi; model baseline bisa dipublikasikan sebagai aset.
• Kategori — bantu model ditemukan lewat tag dan filter penemuan.