Ako prebieha nasadenie modelu?

Nasadenie modelu je proces presunu natrénovaného modelu strojového učenia z vývojového prostredia do produkčného prostredia, kde bude používaný na predpovede v reálnom čase alebo dávkovú spracovanie.

Hlavné kroky nasadenia:

1. Príprava modelu: uloženie modelu do formátu vhodného na načítanie (napríklad pickle, ONNX, TensorFlow SavedModel).
2. Výber infraštruktúry: môže to byť cloudová služba (AWS SageMaker, Google AI Platform), kontajnery (Docker, Kubernetes) alebo server s API.
3. Nasadenie služby: vytvorenie REST alebo gRPC API, ktoré prijíma vstupné údaje a vracia predpovede.
4. Testovanie: overenie správneho fungovania modelu v produkčnom prostredí.
5. Monitorovanie: sledovanie výkonu modelu, času odozvy, kvality predpovedí a prípadný rollback.

Príklad jednoduchého nasadenia modelu s Flask:

from flask import Flask, request, jsonify
import pickle

app = Flask(__name__)

# Načítanie modelu
with open('model.pkl', 'rb') as f:
    model = pickle.load(f)

@app.route('/predict', methods=['POST'])
def predict():
    data = request.json['data']
    prediction = model.predict([data])
    return jsonify({'prediction': prediction[0]})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

Týmto spôsobom, nasadenie zahŕňa prípravu modelu, konfiguráciu infraštruktúry a zabezpečenie stabilného fungovania v produkcii.