Empacotamento e conteinerização

Machine Learning de ponta a ponta

Joshua Stapleton

Machine Learning Engineer

Implantação e conteinerização

Implantação

Empacotar modelo + dependências em unidades
Para rodar em ambientes diferentes
Framework padrão de conteinerização e deploy: Docker

Fase de implantação no ciclo de vida de ML

Docker

Plataforma para simplificar o desenvolvimento com containers

Containers:

Empacotam o app em artefatos independentes
Projetados para serem agnósticos à plataforma
Get Docker

Curso de Docker da DataCamp

Logo do Docker

Uso do Docker — parte 1

Dockerfile: instruções para construir o container

# 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 do 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"]

Build the defined image:

docker build -t heart_disease_model .

Marcando containers

Tagging:

docker tag heart_disease_model:latest heart_disease_model:1.0

Facilita identificar e gerenciar imagens/containers.
Ajuda a manter um registro de modelos detalhado e robusto.
Depois do tag, podemos implantar!

Implantação visualizada como uma seta

Boas práticas

Embora o Docker facilite empacotar modelos...

Pense em segurança
Não inclua dados sensíveis
Use imagens confiáveis (de devs verificados)

Se seu app tiver info sensível...

Use variáveis de ambiente
Ex.: para strings de conexão/senhas

Cadeado de segurança

Vamos praticar!

Machine Learning de ponta a ponta