Pakowanie i konteneryzacja

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Wdrożenie i konteneryzacja

Wdrożenie

Pakowanie modelu i zależności w jednostki
Do uruchamiania w różnych środowiskach
De facto standardem konteneryzacji i wdrażania jest Docker

Faza wdrożenia w cyklu życia uczenia maszynowego

Docker

Platforma upraszczająca tworzenie oprogramowania z użyciem kontenerów

Kontenery:

Pakują aplikację w samodzielne jednostki
Zaprojektowane jako niezależne od platformy
Pobierz Dockera

Kurs Docker na DataCamp

Logo Docker

Użycie Dockera — część 1

Dockerfile: instrukcje budowania kontenera

# 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

Użycie Dockera — część 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"]

Budowanie zdefiniowanego obrazu:

docker build -t heart_disease_model .

Tagowanie kontenerów

Tagowanie:

docker tag heart_disease_model:latest heart_disease_model:1.0

Ułatwia identyfikację obrazów i kontenerów oraz zarządzanie nimi.
Pomaga w utrzymaniu szczegółowego i solidnego rejestru modeli.
Po otagowaniu model jest gotowy do wdrożenia!

Wdrożenie zobrazowane jako strzałka

Dobre praktyki

Docker ułatwia pakowanie modeli, ale...

Dbaj o bezpieczeństwo
Nie dołączaj wrażliwych danych
Używaj zaufanych obrazów (od zweryfikowanych twórców)

Jeśli aplikacja zawiera poufne informacje...

Używaj zmiennych środowiskowych
Np. dla ciągów połączeń/haseł

Kłódka bezpieczeństwa

Czas na ćwiczenia!

End-to-End Machine Learning