Scribd
Carregar
42 visualizações

APIs em Machine Learning Com FastAPI

Enviado por

Denilson Galvão da Rocha
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
42 visualizações

APIs em Machine Learning Com FastAPI

Enviado por

Denilson Galvão da Rocha
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
Você está na página 1/ 3

APIs em Machine Learning com FastAPI

As APIs (Application Programming Interfaces) são pontes que conectam os modelos de Machine
Learning com outros aplicativos ou serviços que os utilizam. Aqui, tentarei explorar um pouco dos
fundamentos, incluindo o que são APIs, por que são importantes em projetos de Machine Learning
e falarei um pouco sobre uma ferramenta bastante conhecida para esse tipo de aplicação, o
FastAPI.

O que é uma API?

Em termos simples, uma API é a conexão que permite que diferentes softwares se comuniquem
entre si. Elas definem como as solicitações e respostas devem ser estruturadas, permitindo que
aplicativos interajam uns com os outros.

As APIs podem ser encontradas em todos os lugares no mundo da tecnologia. Quando usamos
um aplicativo de previsão do tempo para verificar o clima, ele está fazendo uma solicitação para
uma API que fornece os dados meteorológicos em tempo real. Quando postamos uma foto no
Instagram por meio de um aplicativo de terceiros, esse aplicativo está se comunicando com a API
do Instagram para enviar a foto com a legenda e por ai vai.

Uma explicação um pouco fora do ambiente da tecnologia

Pensando no mundo real, imagine que você é um excelente chef de cozinha, mas em um
restaurante desconhecido, onde você não tem conhecimento dos ingredientes necessários para
uma receita especial. A única maneira de saborear esse prato é indo até o restaurante. Lá, você faz
o seu pedido ao garçom, que por sua vez, repassa o pedido ao chef. O pedido é preparado e,
finalmente, o garçom serve a refeição. Nessa interação, o garçom desempenhou o papel de uma
API. Você fez a solicitação a ele, ele transmitiu o seu pedido ao chef, que preparou a refeição e, em
seguida, o garçom trouxe o prato até você. Assim como no mundo da tecnologia, você não tem
conhecimento sobre como o prato foi preparado (assim como os clientes geralmente não
conhecem os códigos e dados usados para gerar as respostas das solicitações). Você apenas fez o
pedido e recebeu o prato, pagando por ele. Da mesma forma, as empresas não revelam seus
segredos comerciais, apenas atendem às necessidades do cliente, entregando os dados
processados.

APIs em Projetos de Machine Learning

Em projetos de Machine Learning, as APIs muitas vezes desempenham papéis críticos em várias
etapas do ciclo de vida do modelo. Dependendo do modelo e da empresa, elas podem ser
inseridas em diversos contextos:

1. Ingestão de Dados: Existem muitos casos aonde os dados necessários para treinar o
modelo estão armazenados em sistemas diferentes, vindos até mesmo de empresas
diferentes. As APIs podem ser usadas para extrair esses dados e prepará-los para o
treinamento do modelo.
2. Implantação do Modelo: Após o treinamento do modelo, precisamos implementa-lo em
produção para que ele possa fazer as previsões. As APIs são a interface pela qual os
aplicativos solicitam essas previsões ao modelo.
3. Monitoramento de Modelos: Para garantir que os modelos estejam funcionando
corretamente, precisamos monitorá-los continuamente. As APIs podem ser usadas para
enviar dados de monitoramento e para receber alertas quando algo estiver errado.
4. Integração com Aplicativos: OS modelos de ML geralmente são usados em conjunto com
outros aplicativos, sites ou serviços. As APIs permitem que esses aplicativos se comuniquem
com os modelos e usem suas previsões.

Introdução ao FastAPI

FastAPI é um framework Python moderno e de alto desempenho para construir APIs de maneira
rápida e eficiente. Alguns dos seus principais recursos são:

1. Fortemente inspirado no Flask: Ele tem uma micro-estrutura leve e com suporte a
decorators de rotas, semelhantes ao Flask
2. Geração Automática de Documentação: Uma das características mais notáveis do FastAPI
é a capacidade de gerar automaticamente documentação interativa para a API com base
nas anotações de tipo. Isso simplifica a criação e manutenção da documentação da API.
3. Desempenho: O FastAPI é conhecido por seu desempenho excepcional. Ele utiliza o
mecanismo de execução assíncrona do Python para lidar com muitas solicitações
simultânea com eficiência.
4. Integração com Pydantic: O FastAPI se integra perfeitamente com o Pydantic, uma
biblioteca para validação de dados e análises de tipos. Isso torna mais fácil validar as
entradas e saídas da API.

Exemplo Prático: Criando uma API

Suponha que você já possui um modelo de Machine Learning treinado em formato pkl. Todas as
etapas anteriores, desde a ingestão dos dados de treinamento até o treinamento do modelo,
foram concluídas. Este modelo tem o objetivo de prever os preços das casas com base em suas
características, seguindo um modelo básico do Kaggle.
Exemplo de um arquivo FastAPI apenas com POST

Com este código em execução localmente, por meio de um cliente HTTP, você pode acessá-lo a
partir da sua própria máquina através do endereço http://localhost:8000/prever_precos. Além
disso, é possível explorar a documentação interativa da API diretamente em seu navegador, por
meio do endereço http://localhost:8000/docs.

Alguns pontos desse exemplo:

1. O FastAPI precisa ser instanciado para em seguida pode ser usado


2. O modelo de previsão foi carregado como se estivesse no mesmo diretório que o código
do FastAPI
3. O uso do Pydantic permitiu definir a class HouseFeatures para validar os dados de entrada
4. Para fazer as previsões, nesse exemplo, os dados foram convertidos para uma matriz
NumPy, passados para o modelo e em seguida o modelo fez as previsões.
5. A resposta HTTP retorna um JSON com as previsões

Conclusão

As APIs são peças fundamentas em projetos de Machine Learning, permitindo a integração e


implantação eficaz de modelos. O FastAPI é uma ferramenta poderosa que simplifica a criação de
APIs robustas e bem documentadas. Ao combinar o FastAPI com as melhores práticas de MLOps, é
possível criar sistemas de Machine Learning altamente eficientes e escaláveis.

Você também pode gostar