Modelink

Sistema web para upload, visualização e preparação de bases de dados para treinamento de modelos de Machine Learning.

Objetivo

O Modelink busca democratizar o deploy de modelos de Machine Learning, reduzindo a burocracia entre Ciência de Dados e produção, permitindo que usuários sem conhecimento avançado de infraestrutura transforme isso em um classificador acessível por link online.

Tecnologias Utilizadas

Frontend

• React
• Vite
• Vercel
• Render

Backend

• Python
• FastAPI
• Pandas
• Uvicorn
• Supabase
• SQLite (cache/local)
• Scikit-learn

Estrutura do Projeto

modelink/
│
├── backend/
│   ├── app/
│   │   ├── main.py
│   │   ├── routes/
│   │   └── services/
│   │
│   └── requirements.txt
│
├── frontend/
│   ├── src/
│   │   ├── components/
│   │   ├── pages/
│   │   ├── styles/
│   │   └── main.jsx
│   │
│   ├── index.html
│   └── package.json
│
└── README.md

Funcionalidades

Upload de arquivos

O usuário pode enviar uma base de dados em formato .csv,.tsv,.xls e .xlsx.

Treinamento do modelo

• Seleção da coluna target
• Escolha do algoritmo (árvore de decisão como default)
• Métricas de desempenho
• Matriz de confusão
• Acurácia

Geração de URL pública

• Versionamento automático
• Persistência do modelo treinado no Supabase
• Compartilhamento por URL pública
• Identificador único (UUID) para cada modelo

Funcionalidades planejadas

• Latência
• Drift de modelo
• Volume de requisições
• Logs
• Alertas

Como Executar

Backend

1. Entrar na pasta

cd backend

---

2. Criar ambiente virtual

Windows

python -m venv venv

---

3. Ativar ambiente virtual

Windows PowerShell

.\venv\Scripts\activate

---

4. Instalar dependências

pip install -r requirements.txt

---

5. Executar servidor

python -m uvicorn app.main:app --reload

---

API disponível em:

http://localhost:8000

---

Swagger automático

http://localhost:8000/docs

---

Frontend

1. Entrar na pasta

cd frontend

---

2. Instalar dependências

npm install

---

3. Executar aplicação

npm run dev

---

Frontend disponível em:

http://localhost:5173

Deploy

Frontend:

• Vercel

Backend:

• Render

Banco de dados e armazenamento:

• Supabase

Após o deploy, configure:

Frontend (.env) VITE_API_URL=https://SEU_BACKEND.onrender.com

Backend (.env) SUPABASE_URL=... SUPABASE_KEY=...

Autor

Giovanna Valentina Esteves

Kevin Luís Lima

Ruan Victor de Araújo Galvão

Licença

Projeto acadêmico desenvolvido para estudo de integração entre:

• Ciência de Dados
• Machine Learning
• Engenharia de Software
• Deploy de modelos
• Monitoramento de IA

Este projeto está licenciado sob a licença MIT.