Wanneer u uw machine learning-model beschikbaar wilt maken voor gebruik door andere applicaties of gebruikers, is het aanbieden als een webservice een gangbare en praktische oplossing. FastAPI is een modern Python-webframework waarmee u snel REST API's kunt bouwen, waardoor het een uitstekende keuze is voor het aanbieden van machine learning-modellen. Met FastAPI kunt u een getraind model beschikbaar stellen via HTTP-endpoints, zodat voorspellingen vanaf elke locatie kunnen worden aangevraagd, met elk programma of hulpmiddel dat webverzoeken kan uitvoeren.

De gebruikelijke workflow voor het aanbieden van een ML-model met FastAPI omvat verschillende stappen:

• Train en serialiseer uw model met een bibliotheek zoals scikit-learn;
• Maak een FastAPI-app die het opgeslagen model bij het opstarten laadt;
• Definieer een endpoint (zoals /predict) dat invoergegevens accepteert, inferentie uitvoert en de voorspelling retourneert;
• Start de FastAPI-app als webserver, zodat deze kan reageren op HTTP-verzoeken.

Deze aanpak biedt veel voordelen:

• U kunt uw model loskoppelen van de trainingsomgeving en toegankelijk maken voor andere systemen;
• FastAPI genereert automatisch interactieve documentatie voor uw API, waardoor testen en delen eenvoudig wordt;
• Het framework is asynchroon en zeer performant, wat belangrijk is voor realtime- of productiegebruik.

Voordat u ziet hoe u dit implementeert, lichten we eerst toe wat FastAPI is.

Om te laten zien hoe dit in de praktijk werkt, volgt hier een eenvoudige FastAPI-toepassing die een scikit-learn-model laadt en een /predict-endpoint aanbiedt. Dit voorbeeld gaat ervan uit dat u al een model hebt getraind en opgeslagen met de joblib- of pickle-module van scikit-learn. De API accepteert JSON-invoer voor voorspellingen en retourneert de uitvoer van het model.

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]}