Pengemasan dan kontainerisasi

Machine Learning Ujung ke Ujung

Joshua Stapleton

Machine Learning Engineer

Deployment dan kontainerisasi

Deployment

Mengemas model + dependensi menjadi unit
Untuk dijalankan di berbagai lingkungan
Kerangka kerja de facto untuk kontainerisasi dan deployment: Docker

Fase deployment dalam siklus hidup machine learning

Docker

Platform untuk menyederhanakan pengembangan dengan kontainer

Kontainer:

Mengemas aplikasi menjadi aset mandiri
Dirancang agar agnostik platform
Dapatkan Docker

Kursus Docker DataCamp

Logo Docker

Penggunaan Docker bagian 1

Dockerfile: instruksi untuk membangun kontainer

# 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

Penggunaan Docker bagian 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"]

Bangun image yang didefinisikan:

docker build -t heart_disease_model .

Memberi tag pada kontainer

Penandaan (tagging):

docker tag heart_disease_model:latest heart_disease_model:1.0

Memudahkan identifikasi dan pengelolaan image/kontainer.
Membantu menjaga registry model yang rinci dan andal.
Setelah tagging, siap deploy!

Deploy divisualisasikan sebagai panah

Praktik terbaik

Docker memudahkan pengemasan model, tetapi...

Utamakan keamanan
Jangan sertakan data sensitif
Gunakan image tepercaya (dari pengembang terverifikasi)

Jika aplikasi Anda memiliki info sensitif...

Gunakan variabel lingkungan
Mis.: untuk string koneksi/kata sandi

Gembok keamanan

Ayo berlatih!

Machine Learning Ujung ke Ujung