Skelett einer Anwendung für maschinelles Lernen

In diesem Blogbeitrag gebe ich einen Überblick über eine von mir erstellte Python-Skelettanwendung. Dieses Skelett kann Ihnen helfen, die Lücke zwischen Ihrem Modell und einer Anwendung für maschinelles Lernen zu schließen.

Sie können z.B. Ihre bestehende Flask-Anwendung verwenden, sie in run_app.py als app importieren und so die produktionsreifen Funktionen von Gunicorn hinzufügen.

Bringen Sie mich zum Code

Wozu die Mühe?

Die Zeiten, in denen Unternehmen maschinelle Lernmodelle als Blackboxen ohne Aussicht auf Verständnis betrachteten, sind längst vorbei.

Früher produzierte die Datenanalyse- oder Data Science-Abteilung eines Unternehmens Ergebnisse in einer Art Silo-Umgebung. Es gab wenig oder gar keine Interaktion zwischen diesen Abteilungen und der Geschäftsseite, die die Entscheidungen traf (Marketing, Vertrieb, Kundenbetreuung usw.). Die Ratschläge, die von den maschinellen Lernmodellen kamen, bestanden aus Berichten, die schön waren, wenn sie die Ideen der Geschäftsseite unterstützten.

Als datengesteuerte Entscheidungen ihren Wert bewiesen, begann die Geschäftsseite hinter den Vorhang zu schauen.

Berichte auf Papier/Dateien wurden durch statische Berichts-Dashboards ersetzt, die ihrerseits durch interaktive Dashboards ersetzt werden. Die Endbenutzer in den Unternehmen möchten mit den Modellen interagieren, verstehen, warum bestimmte Vorhersagen gemacht werden, und sie möchten sogar in der Lage sein, Vorhersagen im laufenden Betrieb durchzuführen (stellen Sie sich vor, Sie haben gleichzeitig einen Kunden am Telefon und aktualisieren die Wahrscheinlichkeiten, dass er bestimmte Produkte kauft, oder eine Marketingabteilung stimmt ihre Kampagnen auf regionale Besonderheiten ab).

Kurzum, ich hatte etwas Zeit während eines verregneten Wochenendes und eines GDD-Freitags¹Ich habe bereits etwas Ähnliches für einen Kunden gemacht und denke, dass es wichtig ist, Modelle des maschinellen Lernens auf die Geschäftsseite zu bringen.

Und als Bonus werden sie aufhören, Sie jedes Mal zu belästigen, wenn sie Erkenntnisse oder eine etwas andere Vorhersage benötigen.

Was ist in der Geschenktüte?

1. Vorlage zur Erweiterung einer Flask-Anwendung mit Gunicorn. Dadurch kann die Anwendung in einer produktionsgerechteren Umgebung ausgeführt werden (z. B. mehrere Worker und Threads). Hier finden Sie eine vollständige Liste aller möglichen Gunicorn-Einstellungen. Ich habe die Möglichkeit hinzugefügt, einige von ihnen als Kommandozeilenargumente zu verwenden. Einige davon sind relevant:
   • host
   • port
   • workers - Anzahl der Arbeiter definieren.
   • threads - Anzahl der Threads auf jedem Worker.
   • daemon - Anwendung im Hintergrund laufen lassen.
   • access-logfile - Zugriffsprotokolle in einer Datei speichern.
   • forwarded-allow-ips - Liste erlaubter IP-Adressen.
2. Dummy-Anwendung, die demonstriert, wie Sie verschiedene Arten von Benutzereingaben in Ihre Python-Anwendung aufnehmen können.
3. Debug-Modus, der (ähnlich wie bei Flask)
   • einen einzelnen Prozess ausführen
   • Protokollierung auf Debug-Ebene
   • Prozess bei Codeänderung neu starten
   • HTML- und Jinja-Vorlagen bei Änderung neu laden
4. Dockerfile-Vorlage zur Containerisierung der Anwendung.
5. Interaktive Anwendung, die ein Klassifizierungsmodell ausführt und Vorhersagen und Informationen über das maschinelle Lernmodell ausgibt. Das Modell kann über die Benutzeroberfläche oder durch eine direkte Post-Anfrage an den Endpunkt ausgeführt werden.

Eine ausführlichere Beschreibung, eine Anleitung und den Code finden Sie in diesem Repository.

Hinweis: Ich füge auch eine setup.py Datei bei, die Sie verwenden sollten, um Ihr in der Anwendung verwendetes Paket zu installieren.

Adios

Wenn Sie Ihr Projekt nach den Ratschlägen von Henk Griffioen (alias El Chicano) strukturieren, sollte die Integration dieses ML-Anwendungsskeletts in Ihr Projekt ganz einfach sein.

Ich hoffe, diese Arbeit kann Ihnen dabei helfen, Ihre Modelle in eine Anwendung für maschinelles Lernen einzubringen. Mir hat sie jedenfalls geholfen und wird mir auch in Zukunft helfen. Sie können den Code hier finden.

Verbessern Sie Ihre Python-Kenntnisse, lernen Sie von den Experten!

Bei GoDataDriven bieten wir eine Vielzahl von Python-Kursen an, die von den besten Experten auf diesem Gebiet unterrichtet werden. Kommen Sie zu uns und verbessern Sie Ihr Python-Spiel:

• Certified Data Science with Python Foundation - Möchten Sie den Schritt von der Datenanalyse und -visualisierung zu echter Datenwissenschaft machen? Dies ist der richtige Kurs.
• Advanced Data Science with Python - Lernen Sie, Ihre Modelle wie ein Profi zu produzieren und Python für maschinelles Lernen zu verwenden.