MLOPS

Pour ce projet nous avons mis en production un modèle de ML via un webservice grâce à FastAPI

Instructions de lancement

• Vérifier que toutes les ressources nécessaires sont bien téléchargées localement avec pip install -r requirements.txt ou pip3 install -r requirements.txt
• Créer et sauvegarder le modèle entrainé (et le jeu d'entrainement) avec python build_model.py ou python3 build_model.py
• Lancer le webservice avec uvicorn app:app --reload
• Rendez-vous sur le localhost pour tester les commandes de l'API

Commandes

GET /hello

Retourne un "Hello World!" pour vérifier que l'API fonctionne correctement

POST /predict

Prend 3 paramètres en corps de requête: glucose, bmi et age

Retourne la prédiction avec ces paramètres (1 pour diabétique et 0 pour non-diabétique)

GET /predict/{n}

Prend un entier n en paramètre

Créer n requêtes POST /predict avec des données aléatoires

Retourne le temps total pour exécuter ces requêtes

GET /new_data

Retourne le tableau de toutes les requêtes lancées depuis que l'API fonctionne (Attention: Si l'API est relancée le tableau sera effacé)

Notes

• La commande POST est notre commande principale pour la mise en production de notre modèle de ML
• La comande GET /predict/{n} nous permet de tester la parallélisation des requêtes
• La commande GET /new_data nous permet de visualiser le nouveau jeu de données qui est en comparaison avec celui d'entrainement pour savoir s'il y a de la dérive conceptuelle