Predizione con FastAPI usando un modello pre-addestrato

Deployment di AI in produzione con FastAPI

Matt Eckerle

Software and Data Engineering Leader

Configurare l'ambiente

Librerie necessarie:

FastAPI: framework per creare API con Python
uvicorn: server ASGI veloce per app web Python
joblib: per caricare il modello

from fastapi import FastAPI
import uvicorn
import joblib
# Crea l'istanza dell'app FastAPI
app = FastAPI()

Caricare il classificatore di pinguini pre-addestrato

Addestrato sul dataset Palmer Penguins
Predice la specie in base a 4 feature: lunghezza e profondità del culmine, lunghezza delle pinne e massa corporea
Output: Adelie, Chinstrap o Gentoo

import joblib

# Carica il modello pre-addestrato
model = joblib.load('penguin_classifier.pkl')
# Verifica il tipo del modello per controllare il caricamento
print(type(model))

<class 'sklearn.pipeline.Pipeline'>

¹ https://huggingface.co/SIH/penguin-classifier-sklearn

Uvicorn

Server ASGI (Asynchronous Server Gateway Interface)
Sviluppato da e per Python

uvicorn main:app \
        --host 0.0.0.0 \
        --port 8080

import uvicorn
uvicorn.run(app, 
            host="0.0.0.0", 
            port=8080)

Logo Uvicorn

Creare l'endpoint di predizione

# Endpoint di predizione con FastAPI
@app.post("/predict")
def predict(culmen_length_mm, culmen_depth_mm, 
            flipper_length_mm, body_mass_g):

    features = [[culmen_length_mm, culmen_depth_mm,
                 flipper_length_mm, body_mass_g]]

    prediction = model.predict(features)[0]
    return {"predicted_species": prediction}

Eseguire l'applicazione

if __name__ == "__main__":
    uvicorn.run(
      app, 
      host="0.0.0.0", 
      port=8080)

Salva tutto il codice in un file Python - your_api_script.py

$ python3 your_api_script.py

Log di avvio Uvicorn

Testare l'API

curl \

  -X POST "http://localhost:8080/predict" \

  -H "Content-Type: application/json" \

  -d '{"culmen_length_mm": 39.1,
       "culmen_depth_mm": 18.7,
       "flipper_length_mm": 181,
       "body_mass_g": 3750}'

{
    "prediction": "Adelie",
    "confidence": 0.87
}

Esercitiamoci!

Deployment di AI in produzione con FastAPI