Neste segunda parte do workshop MLOps, você irá aprender a fazer o deploy para poder testar e avaliar o modelo criado

Na primeira parte deste Workshop, você aprendeu a criar um modelo de machine learning (ML), passando pelas etapas de obtenção dos dados, feature engineering (etapa de pré-processamento dos dados, na qual fazemos as transformações necessárias para que os dados sejam fornecidos para o modelo), modelagem e avaliação do modelo treinado. Caso não tenha feito ainda, sugerimos que volte à  Parte 1 – Workshop Machine Learning: da criação ao deploy de modelos de aprendizado de máquina.

Agora com o seu modelinho pronto, veremos como é simples deixá-lo disponível para utilização por outros serviços. Para isso, criaremos uma API de predição usando o FastAPI e colocaremos ele em um container usando Docker. Ao final, disponibilizaremos o Github com os códigos para que você possa confirmar a reprodução da aplicação criada.

Terminou o Workshop?

Atividade para Fórum

1. Análise exploratória
   Crie um Jupyter notebook e faça a análise exploratória do conjunto de dados do Titanic para entender melhor sobre ele e tente obter aprendizados sobre a sobrevivência ou não dos passageiros (exemplo: mulheres têm mais chances de terem sobrevivido ao naufrágio? O porto de embarque tem alguma relação com a chance de sobrevivência ou é uma variável que não faz sentido colocar no modelo?).
2. Feature engineering
   Com o que você pode observar da análise exploratória, faça modificações no pipeline da feature engineering (adicione novas variáveis, mude as transformações, etc). Faça uma nova submissão no Kaggle e veja se conseguiu obter uma acurácia maior com essas mudanças.

Próximos projetos

Agora que você já sabe como fazer o deploy de um modelo de ML, chegou a hora de tentar fazer o deploy de outros modelos! Abaixo, deixamos outras sugestões de projetos para você aprimorar suas habilidades e continuar praticando:

• Terminou o workshop Primeiros Passos que mencionamos no começo deste artigo? Que tal fazer o deploy dele?
• Além do desafio do Titanic, o Kaggle contém uma infinidade de outros conjuntos de dados que você pode utilizar para construir um modelo e fazer o deploy. Aqui você tem a lista de competições para começar em diversos temas e aqui você pode encontrar os conjuntos de dados mais populares que outras pessoas estão explorando.

Desafio extra (opcional): Fazendo o deploy na nuvem em 5 passos

Usando AWS (é necessário ter uma conta), é possível fazer o deploy na nuvem para deixar o modelo disponível para que você e outras pessoas possam acessá-lo, ao invés de deixar o modelo acessível apenas na sua máquina local. Isso pode ser feito com configurações mínimas para evitar quaisquer custos, mas se não quiser se arriscar, essa etapa é totalmente opcional! 😉

Caso queira tentar, siga os passos abaixo:

1. Fazer o push da imagem docker no repositório
Envio de uma imagem do Docker – Amazon ECR

2. Criar uma máquina EC2 grátis na AWS
Você pode seguir esse tutorial: Tutorial: Comece a usar instâncias de Linux do Amazon EC2. Ou, se achar mais simples, esse aqui: Criando instâncias no Amazon EC2 | Blog TreinaWeb

3. Conectar-se à instância criada (sugerimos conectar pela última forma do link: usando sua chave ssh)
Conectar-se usando EC2 Instance Connect – Amazon Elastic Compute Cloud

4. Após se conectar à máquina, fazer o download da sua imagem docker
Extrair uma imagem – Amazon ECR

5. Executar o comando docker run da mesma forma que fizemos no workshop e pronto!
Com a aplicação de pé, você pode tentar acessá-la usando o IP público da máquina que você criou (vamos supor que o IP seja: 1.2.3.4, para acessar no browser você colocaria: 1.2.3.4:8000/docs). 

Porém, na maioria das vezes, as portas das máquinas na nuvem ficam fechadas para evitar ataques externos. Não se preocupe com isso! Você pode checar usando nosso endpoint de health_check dentro da própria máquina. Para isso, após se conectar à máquina, digite: curl -X ‘GET’  ‘http://localhost:8000/health’  -H ‘accept: application/json’. Se você obtiver como resposta o { “status”: “healthy”}, significa que seu deploy funcionou! 🎉

Referências para ir além

Abaixo, deixamos algumas referências que mencionamos durante o workshop e outras que achamos interessantes de mencionar para quem quiser saber mais : 😉  

• Repositório no Github com o código que desenvolvemos durante o workshop
• Parte 1 e parte 2 do artigo que a Vivian e o André Oliveira, Machine Learning Engineer da Creditas, escreveram sobre deploy de modelos e cujo conteúdo e códigos disponibilizados em outro repositório do Github foram utilizados como base para este workshop.
• Como Usar Pipelines no Scikit-Learn – para quem quiser saber mais sobre a estrutura que utilizamos para fazer a nossa feature engineering
• Sobre Docker:
  Como construir uma aplicação com Docker?
  Comandos básicos · Docker para Desenvolvedores
  Dockerfile – Principais comandos para criar a receita da imagem
• Sobre APIs & FastAPI:
  O que é API?
  Comunicação em uma arquitetura de microsserviço | Microsoft Docs
  Tudo sobre FastAPI

Esperamos que tenha gostado do workshop e aprendido bastante! ❤️

Este conteúdo faz parte da PrograMaria Sprint Área de dados.

O que você achou deste conteúdo? Responda nosso feedback: