Läsa in en förtränad modell

Driftsättning av AI i produktion med FastAPI

Matt Eckerle

Software and Data Engineering Leader

Nuvarande struktur

Flödesschema för ML-prediktion med FastAPI

Utmaningen med att ladda modeller

Diagram som förklarar request/response-livscykeln

En frustrerad man som väntar på API-svar

Ladda modeller innan förfrågan

Flödesschema för ML-prediktion med FastAPI

Ladda in modellen

from fastapi import FastAPI

sentiment_model = None

def load_model():
    global sentiment_model
    sentiment_model = SentimentAnalyzer("trained_model.joblib")
    print("Model loaded successfully")

load_model()

Model loaded successfully

FastAPI lifespan-händelse

Flödesdiagram som förklarar FastAPI lifespan

FastAPI lifespan-händelse

from contextlib import asynccontextmanager

@asynccontextmanager
async def lifespan(app: FastAPI):
    # Startup: Load the ML model
    load_model()
    yield

app = FastAPI(lifespan=lifespan)

Hälsokontroller

@app.get("/health")
def health_check():
    if sentiment_model is not None:
        return {"status": "healthy", 
                "model_loaded": True}
    return {"status": "unhealthy", 
            "model_loaded": False}

Curl-kommando:

curl -X GET \
  "http://localhost:8080/health" \
  -H "accept: application/json"

Utdata:

{
  "status": "healthy",
  "model_loaded": true
}

Nu kör vi en övning!

Driftsättning av AI i produktion med FastAPI