Empaquetado y contenedores

Machine Learning de extremo a extremo

Joshua Stapleton

Machine Learning Engineer

Despliegue y contenedores

Despliegue

Empaquetar modelo + dependencias en unidades
Para ejecutar en distintos entornos
Docker es el estándar de facto para contenedores y despliegue

Fase de despliegue del ciclo de vida de ML

Docker

Plataforma para simplificar el desarrollo con contenedores

Contenedores:

Empaquetan la app como artefactos autónomos
Diseñados para ser agnósticos de la plataforma
Obtener Docker

Curso de Docker de DataCamp

Logo de Docker

Uso de Docker parte 1

Dockerfile: instrucciones para construir el contenedor

# Use an official Python runtime as a parent image
FROM Python:3.7


# Set the working directory in the container to /app
WORKDIR /ML_pipeline


# Copy the current directory contents into the container at /app
ADD . /ML_pipeline


# Install any needed packages specified in requirements.txt
RUN pip install --no-cache-dir -r requirements.txt

Uso de Docker parte 2

# ... continued
# Make port 80 available to the world outside this container
EXPOSE 80

# Define environment variable
ENV NAME World

# Run app.py when the container launches
CMD ["Python", "ML_pipeline.py"]

Construir la imagen definida:

docker build -t heart_disease_model .

Etiquetar contenedores

Etiquetado:

docker tag heart_disease_model:latest heart_disease_model:1.0

Facilita identificar y gestionar imágenes/contenedores.
Ayuda a mantener un registro de modelos detallado y robusto.
Tras etiquetar, ¡listos para desplegar!

Despliegue visualizado como una flecha

Buenas prácticas

Aunque Docker facilita empaquetar modelos...

Piensa en seguridad
No incluyas datos sensibles
Usa imágenes de confianza (desarrolladores verificados)

Si tu aplicación tiene información sensible...

Usa variables de entorno
Ej.: cadenas de conexión/contraseñas

Candado de seguridad

¡Vamos a practicar!

Machine Learning de extremo a extremo