Pemantauan dan pencatatan

Menerapkan AI ke Produksi dengan FastAPI

Matt Eckerle

Software and Data Engineering Leader

Mengapa pemantauan dan pencatatan?

 

  • Tidak bisa debug di produksi
  • Pengawas app butuh pemeriksaan kesehatan sederhana
  • Mencatat metrik kunci dari waktu ke waktu

Perangkat lunak pemantauan dan pencatatan

Menerapkan AI ke Produksi dengan FastAPI

Menyiapkan pencatatan kustom

 

 

  • Muat logger error uvicorn

 

  • Tambahkan log kustom saat app mulai

 

  • Tambahkan log kustom ke endpoint
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'
Menerapkan AI ke Produksi dengan FastAPI

Mencatat saat model dimuat

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()
Menerapkan AI ke Produksi dengan FastAPI

Mencatat waktu proses dengan 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/
Menerapkan AI ke Produksi dengan FastAPI

Menetapkan tingkat logging

 

Tingkat logging Python

uvicorn main:app --log-level debug
Menerapkan AI ke Produksi dengan FastAPI

Pemantauan

 

from fastapi import FastAPI

app = FastAPI()

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

 

 

 

  • "Saya ok!"
Menerapkan AI ke Produksi dengan FastAPI

Berbagi parameter model dengan pemantauan

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}

 

 

 

 

 

  • "Saya ok!"
  • "Berikut beberapa fakta menarik tentang saya!"
Menerapkan AI ke Produksi dengan FastAPI

Ayo berlatih!

Menerapkan AI ke Produksi dengan FastAPI

Preparing Video For Download...