Supervisión y registro

Implementación de IA en producción con FastAPI

Matt Eckerle

Software and Data Engineering Leader

¿Por qué supervisar y registrar?

 

  • No se puede depurar en producción
  • El supervisor de la app necesita un health check simple
  • Registrar métricas clave en el tiempo

Software de supervisión y registro

Implementación de IA en producción con FastAPI

Configurar logs personalizados

 

 

  • Carga el registrador de errores de uvicorn

 

  • Añade logs personalizados al inicio de la app

 

  • Añade logs personalizados a los endpoints
from fastapi import FastAPI
import logging

logger = logging.getLogger(
    'uvicorn.error'
)

app = FastAPI() logger.info("App is running!")
@app.get('/') async def main(): logger.debug('GET /') return 'ok'
Implementación de IA en producción con FastAPI

Registrar cuándo se carga un modelo

from fastapi import FastAPI
import logging
import joblib 

logger = logging.getLogger('uvicorn.error')

model = joblib.load('penguin_classifier.pkl') logger.info("Penguin classifier loaded successfully.") app = FastAPI()
Implementación de IA en producción con FastAPI

Registrar el tiempo de proceso con middleware

from fastapi import FastAPI, Request
import logging
import time
logger = logging.getLogger('uvicorn.error')
app = FastAPI()

@app.middleware("http")
async def log_process_time(request: Request, call_next):
    start_time = time.perf_counter()
    response = await call_next(request)
    process_time = time.perf_counter() - start_time
    logger.info(f"Process time was {process_time} seconds.")
    return response
1 https://fastapi.tiangolo.com/tutorial/middleware/
Implementación de IA en producción con FastAPI

Configurar el nivel de logging

 

Niveles de logging en Python

uvicorn main:app --log-level debug
Implementación de IA en producción con FastAPI

Supervisión

 

from fastapi import FastAPI

app = FastAPI()

@app.get("/health") async def get_health(): return {"status": "OK"}

 

 

 

  • "¡Estoy bien!"
Implementación de IA en producción con FastAPI

Compartir parámetros del modelo con la supervisión

from fastapi import FastAPI
import joblib

model = joblib.load(
    'penguin_classifier.pkl'
)
app = FastAPI()

@app.get("/health") async def get_health(): params = model.get_params() return {"status": "OK", "params": params}

 

 

 

 

 

  • "¡Estoy bien!"
  • "¡Aquí van algunos datos curiosos sobre mí!"
Implementación de IA en producción con FastAPI

¡Vamos a practicar!

Implementación de IA en producción con FastAPI

Preparing Video For Download...