Clase 27 de 31 • Curso para Crear tus Proyectos de Ciencia de Datos
Contenido del curso
Orlando castellanos
Ricardo Alanis
Juan R. Vergara M.
Ricardo Alanis
Mario Alexander Vargas Celis
Diego Jurado
Ricardo Alanis
hace falta un curso de full stack para consumir tu proyecto o tu modelo desde el front para acceder a el hasta el back o quiza una ruta tipo Machine Learning Full Stack
Suena interesante mi Orlando! Aun asi, tambien puedes ver el servir el modelo de manera agnostica del cliente - y luego echarte un tool no-code para consumirlo! Esto ahorita me tiene super emocionado en este momento.
Otra gran clase de este curso que se ha convertido en uno de los más importantes que he visto hasta ahora 🥇🦾🚀🔥
<3 Gracias Juan. Tus palabras me animan mucho!
El despliegue de un modelo de machine learning es una etapa crucial del ciclo de vida de los modelos, ya que implica poner en producción el modelo para que pueda ser utilizado por aplicaciones o usuarios en tiempo real. Aquí tienes una guía general sobre cómo hacerlo:
### 1. **Preparación del modelo para el despliegue**
- **Entrenamiento y validación**: Asegúrate de que tu modelo ha sido entrenado y validado adecuadamente.
- **Serialización**: Usa bibliotecas como pickle o joblib para serializar el modelo entrenado. Esto te permite guardarlo en un archivo y luego cargarlo para hacer predicciones en producción.
```python
import joblib
joblib.dump(model, 'modelo.pkl')
```
- **Requisitos**: Asegúrate de tener un archivo requirements.txt con las dependencias necesarias para tu modelo.
### 2. **Elección del entorno para el despliegue**
- **API REST**: Una de las formas más comunes de desplegar un modelo es a través de una API. Puedes usar frameworks como Flask o FastAPI para crear un endpoint donde puedas enviar datos y recibir predicciones.
- **Docker**: Empaqueta tu aplicación y modelo en un contenedor Docker para asegurar la consistencia entre el entorno de desarrollo y producción.
- **Servidores o plataformas de despliegue**:
- **Heroku**: Ideal para proyectos pequeños y medianos.
- **AWS SageMaker**: Una plataforma completa para el entrenamiento y despliegue de modelos.
- **Google Cloud AI Platform**: Permite entrenar y desplegar modelos en la nube.
- **Azure Machine Learning**: También es una solución integral para entrenar y desplegar modelos.
### 3. **Creación de una API con Flask**
Aquí te dejo un ejemplo básico de cómo hacer el despliegue de un modelo con Flask:
```python
from flask import Flask, request, jsonify
import joblib
import pandas as pd
app = Flask(__name__)
# Carga del modelo previamente entrenado
modelo = joblib.load('modelo.pkl')
@app.route('/predict', methods=['POST'])
def predict():
datos = request.json
df = pd.DataFrame(datos)
prediccion = modelo.predict(df)
return jsonify({'prediccion': prediccion.tolist()})
if __name__ == '__main__':
app.run(debug=True)
```
Con esta API, podrías enviar datos a través de una solicitud POST y obtener una predicción.
### 4. **Dockerización del modelo**
Para asegurar que tu modelo funcione de la misma manera en cualquier entorno, puedes usar Docker:
- **Dockerfile**:
```dockerfile
FROM python:3.8
WORKDIR /app
COPY . /app
RUN pip install -r requirements.txt
CMD ["python", "app.py"]
```
- Construcción y ejecución:
```bash
docker build -t modelo_api .
docker run -p 5000:5000 modelo_api
```
### 5. **Monitoreo y Mantenimiento**
- **Monitoreo del rendimiento**: Una vez en producción, debes monitorear la precisión del modelo y su uso de recursos.
- **Actualización del modelo**: Es posible que debas actualizar el modelo con nuevos datos, por lo que debes tener un proceso para volver a entrenar y desplegar modelos actualizados.
### 6. **Despliegue continuo (CI/CD)**
- Integra pipelines de CI/CD para automatizar el proceso de pruebas, entrenamiento y despliegue. Herramientas como GitHub Actions, Jenkins o GitLab CI/CD te pueden ayudar a mantener tus modelos actualizados en producción.
Implementar un buen sistema de despliegue es esencial para aprovechar el potencial de tu modelo en entornos de producción y garantizar su rendimiento a lo largo del tiempo.
A reforzar flask y fastapi
Vamo!
