När du behöver göra din maskininlärningsmodell tillgänglig för andra applikationer eller användare är det vanligt och praktiskt att exponera den som en webbtjänst. FastAPI är ett modernt Python-webbramverk som låter dig snabbt bygga REST API:er, vilket gör det till ett utmärkt val för att tillhandahålla maskininlärningsmodeller. Med FastAPI kan du exponera en tränad modell via HTTP-endpoints, så att förfrågningar om prediktioner kan göras varifrån som helst, med vilket språk eller verktyg som helst som kan göra webbförfrågningar.

Det typiska arbetsflödet för att tillhandahålla en ML-modell med FastAPI omfattar flera steg:

• Träna och serialisera din modell med ett bibliotek som scikit-learn;
• Skapa en FastAPI-app som laddar den sparade modellen vid uppstart;
• Definiera en endpoint (till exempel /predict) som tar emot indata, kör inferens och returnerar prediktionen;
• Kör FastAPI-appen som en webbserver så att den kan svara på HTTP-förfrågningar.

Detta tillvägagångssätt ger många fördelar:

• Du kan separera din modell från träningsmiljön och göra den tillgänglig för andra system;
• FastAPI genererar automatiskt interaktiv dokumentation för ditt API, vilket gör det enkelt att testa och dela;
• Ramverket är asynkront och mycket prestandaeffektivt, vilket är viktigt för realtids- eller produktionsanvändning.

Innan vi ser hur detta implementeras, låt oss förtydliga vad FastAPI är.

För att se hur detta fungerar i praktiken följer här en enkel FastAPI-applikation som laddar en scikit-learn-modell och exponerar en /predict-endpoint. Detta exempel förutsätter att du redan har tränat och sparat en modell med scikit-learns joblib eller pickle-modul. API:et accepterar JSON-indata för prediktion och returnerar modellens utdata.

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]}