之前我怎麼調用數據濃縮功能模型。服役時預測模型

[bhawik21]

我用mlflow通過REST API和得到我的模型。它正常工作當所有模型特性。但我的用例是,隻有一個功能(主鍵)將消費者所提供的應用程序中,而我的代碼從數據庫查找其他特性基於密鑰,然後使用模型。預測回歸預測。我試著研究但是明白其他端點隻會調用模型。預測功能。我怎麼能讓它調用數據預測前按摩功能?

[werners1 · Accepted solution]

你想要一個機器學習管道,所謂MLOps的一部分。

你可以在網上找到很多,像在這裏初版

[bhawik21]

由於@Werner Stinckens,管道可以壓縮數據準備到抽象,usecase的問題是關於調用模型中的數據按摩功能的預測函數。

現在我解決它,我喜歡與社區分享。我去設計包裝的解決方案模型的預測函數包裝器類的預測方法。因為這是標準模型中,我使用了pyfunc味道在mlflow日誌模型。通過指定conda環境,模型托管集群可以安裝這些庫和運行我們的自定義模型。

主要設計方麵是我們模型的本機預測函數替換為一個用戶定義的。這可以做任何喜歡閱讀,準備數據,然後繼續調用模型的預測方法。

磚店有一個新功能叫做特性可以處理這種可變性。api,本地調用功能表查找和獲取的值上運行預測。

[werners1]

好了!

[LuisL]

你可以創建一個自定義端點處理數據的REST API調用前按摩

模型。預測功能。這個端點可以在主鍵作為輸入,從數據庫中檢索附加功能基於這個關鍵,然後通過成套的特性

模型。預測功能。

您可以使用一個web框架如瓶或FastAPI創建自定義端點。例如,您可以創建一個函數來檢索額外的功能鉛富集從數據庫中調用model.predict

函數,然後使用這個函數作為路線在燒瓶或FastAPI應用。客戶端應用程序可以發送一個請求與主鍵,這個自定義端點和端點將返回預測基於檢索功能。

您還可以使用mlflow Model.call()方法來調用您的自定義函數。

您還可以使用Serverless框架或其他類似的工具來部署這個函數,讓它通過一個API網關