Création d'une API pour l'utilisation du modèle

[francisquintallauzon]

FDSL 2022 Leçon 5

https://youtu.be/W3hKjXg7fXM

Un modèle, c'est bien, mais pour l'utiliser dans un contexte de production, il faut le rendre facilement accessible à d'autres processus ou services. Pour les besoins de cette formation, nous encapsulerons notre modèle dans une API web.

Pour cette leçon, vous devrez:

• Mettre sur pied un service web de type REST API
• Fast API est une bibliothèque populaire pour les applications d'apprentissage automatique
• Possède une documentation OpenAPI dynamique créée automatiquement
• Alternativement, Flask est une bibliothèque souvent utilisée vu sa simplicité.
• Ajouter une route de prédiction sous /api/v1/predict permettant d'utiliser le modèle ML
• Ajouter une route qui expose la documentation OpenAPI sous /api/v1/docs
• Ajouter un test d'intégration continue pour tester automatiquement l'API
• Il est conseillé d'utiliser GitHub Actions puisque c'est une solution nativement intégrée à GitHub
• Ajouter une route afin de pouvoir utiliser le modèle, ex: /model/eval
• Il sera probablement nécessaire de modéliser les intrants et extrants afin que ceux-ci puissent être transmis à travers l'API

Documentation et références

https://fastapi.tiangolo.com/tutorial/
https://medium.com/machine-learning-india/deploy-machine-learning-models-using-fastapi-a-step-by-step-walkthrough-f812ca8043ad
https://neptune.ai/blog/packaging-ml-models
https://towardsdatascience.com/how-to-deploy-a-machine-learning-model-with-fastapi-docker-and-github-actions-13374cbd638a
https://medium.com/analytics-vidhya/serve-a-machine-learning-model-using-sklearn-fastapi-and-docker-85aabf96729b