মডেল ডেপ্লয়মেন্ট হল মেশিন লার্নিং মডেলকে উৎপাদন পরিবেশে (production environment) স্থানান্তর করা, যাতে এটি নতুন ডেটা নিয়ে কাজ করতে পারে। একটি সাধারণ পদ্ধতি হল REST API ব্যবহার করা, যেখানে মডেলটি একটি ওয়েব সার্ভিস হিসেবে ডেপ্লয় করা হয়, এবং এটি HTTP রিকোয়েস্টের মাধ্যমে এক্সেস করা যায়।
এখানে REST API এর মাধ্যমে মডেল ডেপ্লয় করার জন্য কিছু সাধারণ পদক্ষেপ তুলে ধরা হলো:
১. মডেল ট্রেনিং এবং সেভ করা
প্রথমে আপনাকে আপনার মডেল ট্রেনিং করতে হবে এবং এটি একটি ফাইল (যেমন .pkl, .h5, .joblib) হিসেবে সেভ করতে হবে।
উদাহরণস্বরূপ, একটি স্কikit-লার্ন মডেল:
from sklearn.ensemble import RandomForestClassifier
import joblib
# মডেল ট্রেনিং
model = RandomForestClassifier()
model.fit(X_train, y_train)
# মডেল সেভ করা
joblib.dump(model, 'random_forest_model.pkl')
এখন আপনার মডেল একটি .pkl ফাইল হিসেবে সেভ করা হয়েছে এবং এটি API দ্বারা ব্যবহৃত হতে প্রস্তুত।
২. Flask দিয়ে REST API তৈরি করা
Flask হল একটি লাইটওয়েট Python ওয়েব ফ্রেমওয়ার্ক, যা RESTful API তৈরি করতে সহায়ক। এখানে একটি সহজ উদাহরণ দেখানো হল Flask দিয়ে একটি REST API তৈরি করা, যা মডেলটি লোড করবে এবং পূর্বাভাস করবে।
২.১. Flask ইনস্টল করা
Flask ইনস্টল করতে, প্রথমে pip ব্যবহার করুন:
pip install flask
২.২. API কোড লেখা
Flask অ্যাপ তৈরি করুন এবং মডেলটি লোড করুন:
from flask import Flask, request, jsonify
import joblib
import numpy as np
# Flask অ্যাপ তৈরি করা
app = Flask(__name__)
# মডেল লোড করা
model = joblib.load('random_forest_model.pkl')
# API রুট তৈরি করা
@app.route('/predict', methods=['POST'])
def predict():
try:
# ইনপুট ডেটা নেওয়া
data = request.get_json() # JSON ফরম্যাটে ইনপুট আশা করা হচ্ছে
features = np.array(data['features']).reshape(1, -1) # ফিচারগুলো নিতে হবে
# মডেল দ্বারা পূর্বাভাস
prediction = model.predict(features)
# পূর্বাভাস পাঠানো
return jsonify({'prediction': prediction[0]})
except Exception as e:
return jsonify({'error': str(e)})
if __name__ == '__main__':
app.run(debug=True)
এই Flask অ্যাপটি /predict নামে একটি POST রুট তৈরি করে, যেখানে আপনি JSON ডেটা পাঠিয়ে পূর্বাভাস পেতে পারেন।
৩. API চালু করা
এখন Flask অ্যাপটি চালু করুন:
python app.py
এটি http://127.0.0.1:5000/ এ Flask সার্ভার চালু করবে।
৪. API রিকোয়েস্ট পাঠানো
এখন, আপনি আপনার API কে ডাটা পাঠাতে পারেন এবং পূর্বাভাস পেতে পারেন। এটি করার জন্য, আপনি curl, Postman, বা Python এর requests লাইব্রেরি ব্যবহার করতে পারেন।
৪.১. Python এর মাধ্যমে API কল করা
import requests
import json
# API URL
url = 'http://127.0.0.1:5000/predict'
# ইনপুট ডেটা
data = {
'features': [5.1, 3.5, 1.4, 0.2] # উদাহরণস্বরূপ Iris dataset এর একটি ডেটা পয়েন্ট
}
# API কল
response = requests.post(url, json=data)
# ফলাফল প্রিন্ট করা
print(response.json())
এই কোডটি features ডেটা পাঠাবে এবং পূর্বাভাস পাবেন।
৪.২. Postman ব্যবহার করা
Postman ব্যবহার করে API রিকোয়েস্ট পাঠানোর জন্য:
- Postman ওপেন করুন এবং HTTP method হিসেবে POST নির্বাচন করুন।
- URL হিসেবে
http://127.0.0.1:5000/predictদিন। Body ট্যাবের মধ্যে raw নির্বাচন করুন এবং JSON হিসেবে ডেটা প্রদান করুন:
{ "features": [5.1, 3.5, 1.4, 0.2] }- রিকোয়েস্ট পাঠান এবং ফলাফল দেখুন।
৫. API এর মাধ্যমে স্কেলিং এবং ডেপ্লয়মেন্ট
যখন আপনি মডেল API ডেপ্লয় করেন, তখন এটি একটি সার্ভারে হোস্ট করা হয় এবং এটি অনলাইনে ব্যবহারকারীদের থেকে ইনপুট গ্রহণ করে। কিছু গুরুত্বপূর্ণ বিষয় যা মনে রাখতে হবে:
- ডকার (Docker) ব্যবহার করে আপনার Flask অ্যাপটি একটি কনটেইনারে প্যাকেজ করা যেতে পারে, যা ডেপ্লয়মেন্টকে সহজ এবং স্কেলেবল করে তোলে।
- Cloud Services (যেমন AWS, GCP, Azure) এ ডেপ্লয় করা হলে API সার্ভিসটি আরও সহজে স্কেল করা যাবে।
সারাংশ
REST API এর মাধ্যমে মডেল ডেপ্লয়মেন্ট আপনাকে মডেলটি সহজে উৎপাদন পরিবেশে স্থানান্তর করতে এবং নতুন ডেটার সাথে কাজ করতে সক্ষম করে। Flask বা Django এর মতো Python ফ্রেমওয়ার্ক ব্যবহার করে API তৈরি করা যায় এবং এটি ইনপুট গ্রহণ করে মডেল দ্বারা পূর্বাভাস প্রদান করতে সাহায্য করে। requests লাইব্রেরি বা Postman এর মাধ্যমে আপনি API এর সাথে ইন্টারঅ্যাক্ট করতে পারেন।
Read more
