Kun haluat tehdä koneoppimismallisi muiden sovellusten tai käyttäjien saataville, sen tarjoaminen verkkopalveluna on yleinen ja käytännöllinen ratkaisu. FastAPI on moderni Python-verkkokehys, jonka avulla voit rakentaa REST-rajapintoja nopeasti, mikä tekee siitä erinomaisen vaihtoehdon koneoppimismallien tarjoamiseen. FastAPI:n avulla voit julkaista koulutetun mallin HTTP-päätepisteiden kautta, jolloin ennusteita voidaan pyytää mistä tahansa, millä tahansa kielellä tai työkalulla, joka osaa tehdä verkkopyyntöjä.

Tyypillinen työnkulku koneoppimismallin tarjoamiseksi FastAPI:lla sisältää useita vaiheita:

• Kouluta ja tallenna mallisi esimerkiksi scikit-learn -kirjastolla;
• Luo FastAPI-sovellus, joka lataa tallennetun mallin käynnistyksen yhteydessä;
• Määrittele päätepiste (esimerkiksi /predict), joka vastaanottaa syötteen, suorittaa ennusteen ja palauttaa tuloksen;
• Käynnistä FastAPI-sovellus verkkopalvelimena, jotta se voi vastata HTTP-pyyntöihin.

Tämä lähestymistapa tarjoaa monia etuja:

• Voit irrottaa mallisi koulutusympäristöstä ja tehdä sen muiden järjestelmien käytettäväksi;
• FastAPI luo automaattisesti interaktiivisen dokumentaation rajapinnallesi, mikä helpottaa testaamista ja jakamista;
• Kehys on asynkroninen ja erittäin suorituskykyinen, mikä on tärkeää reaaliaikaisessa tai tuotantokäytössä.

Ennen kuin tarkastelemme toteutusta, selvennetään, mitä FastAPI on.

Käytännön esimerkkinä tässä on yksinkertainen FastAPI-sovellus, joka lataa scikit-learn -mallin ja tarjoaa /predict-päätepisteen. Esimerkissä oletetaan, että olet jo kouluttanut ja tallentanut mallin scikit-learnin joblib- tai pickle-moduulilla. Rajapinta vastaanottaa JSON-muotoisen syötteen ennustamista varten ja palauttaa mallin tuottaman tuloksen.

from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import numpy as np

# Define the request body schema
class InputData(BaseModel):
    feature1: float
    feature2: float

# Load the trained model (assumes model.pkl exists)
model = joblib.load("model.pkl")

app = FastAPI()

@app.post("/predict")
def predict(input_data: InputData):
    # Prepare input for the model
    data = np.array([[input_data.feature1, input_data.feature2]])
    # Make prediction
    prediction = model.predict(data)
    # Return the result as JSON
    return {"prediction": prediction[0]}