Supervision et journalisation

Déployer l’IA en production avec FastAPI

Matt Eckerle

Software and Data Engineering Leader

Pourquoi superviser et journaliser ?

 

  • Impossible de déboguer en production
  • Le superviseur d'app a besoin d'un simple contrôle d'état
  • Consigner les métriques clés dans le temps

Logiciels de supervision et de journalisation

Déployer l’IA en production avec FastAPI

Configurer des logs personnalisés

 

 

  • Charger le logger d'erreurs uvicorn

 

  • Ajouter des logs personnalisés au démarrage de l'app

 

  • Ajouter des logs personnalisés aux 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'
Déployer l’IA en production avec FastAPI

Consigner le chargement d'un modèle

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()
Déployer l’IA en production avec FastAPI

Mesurer le temps de traitement avec un 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/
Déployer l’IA en production avec FastAPI

Définir le niveau de logging

 

Niveaux de logging Python

uvicorn main:app --log-level debug
Déployer l’IA en production avec FastAPI

Supervision

 

from fastapi import FastAPI

app = FastAPI()

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

 

 

 

  • « Je vais bien ! »
Déployer l’IA en production avec FastAPI

Partager les hyperparamètres avec la supervision

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}

 

 

 

 

 

  • « Je vais bien ! »
  • « Voici quelques infos sur moi ! »
Déployer l’IA en production avec FastAPI

Passons à la pratique !

Déployer l’IA en production avec FastAPI

Preparing Video For Download...