GS Caltex otomasi handoff model no-code ke MLOps terjadwal di AWS
AWS memaparkan bagaimana GS Caltex menghubungkan model SageMaker Canvas buatan engineer proses ke pipeline produksi terjadwal. Menurut GS Caltex, waktu deployment turun dari sekitar seminggu menjadi beberapa jam, sambil menekan biaya inferensi batch.
Fakta berikut merujuk pada sumber asli. Klaim hasil dari penyedia atau pengguna merupakan laporan mereka, belum merupakan verifikasi independen oleh Borobudur Consulting.
Masalah bisnis
- Masalah utamanya adalah handoff dari model no-code ke workflow produksi masih butuh pekerjaan integrasi manual.
Penerapan AI
- GS Caltex memakai SageMaker Canvas untuk pembuatan/validasi model oleh engineer proses dan SageMaker Pipelines untuk deployment serta inferensi batch terjadwal oleh ML engineer.
- Perusahaan mengotomasi handoff sambil memakai ulang aset preprocessing dan model yang sudah divalidasi di Canvas.
Bukti hasil
- Menurut GS Caltex, deployment model kini selesai dalam beberapa jam, dari sebelumnya sekitar satu minggu.
Biaya dan kendala
- Inferensi batch dijalankan tiap 30 menit untuk mengurangi endpoint yang selalu aktif; GS Caltex menyebut biaya inferensi turun, tetapi workflow tetap punya batasan validasi skema, potensi overlap eksekusi, dan biaya layanan pendukung.
Pelajaran untuk perusahaan Indonesia
Interpretasi berikut merupakan pertimbangan awal, bukan fakta tambahan atau bukti hasil penerapan di Indonesia.
Untuk perusahaan Indonesia dengan ahli domain kuat tetapi tim ML terbatas, pemisahan peran antara engineer proses dan ML engineer bisa mempercepat adopsi AI tanpa memaksa semua pengguna menulis kode. Namun hasil percepatan dan penghematan di sini adalah laporan GS Caltex, bukan jaminan umum.
Pelajaran pentingnya bukan sekadar memilih tool no-code, melainkan merapikan handoff ke produksi: approval model, konsistensi preprocessing, kontrol jadwal, pencegahan overlap, dan pelacakan biaya total batch. Uji satu model dulu sebelum distandardisasi lintas use case.
Pertanyaan sebelum menerapkan
- Apakah model bisnis Anda lebih cocok dijalankan batch terjadwal daripada endpoint real-time yang selalu aktif?
- Siapa yang bertanggung jawab atas approval model, validasi skema input, dan penanganan gagal eksekusi saat model dipindah ke produksi?