Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
FastAPI pour le déploiement de modèles d'IA
FastAPI est un framework web Python idéal pour créer des API, en particulier pour déployer des modèles d'apprentissage automatique et d'intelligence artificielle. La rapidité et la modularité de FastAPI en font un choix puissant pour les scientifiques des données et les ingénieurs en apprentissage automatique qui cherchent à intégrer des solutions d'IA dans des applications web.Création d'API pour les modèles en production
Dans ce cours, vous apprendrez à créer et à déployer des API pour la mise en service de modèles à l'aide de FastAPI. À la fin, vous serez en mesure de créer des points de terminaison API robustes qui gèrent la validation des données saisies, l'authentification et la gestion des erreurs. Des exercices pratiques vous guideront dans la création d'API complètes conçues pour gérer les interactions entre les modèles d'IA.Sécurisation et mise à l'échelle des applications FastAPI
Vous implémenterez également l'authentification par clé API, appliquerez une limitation de débit personnalisée pour contrôler le flux des requêtes et améliorerez les performances grâce au traitement asynchrone. De plus, vous apprendrez à gérer les versions d'API, à améliorer la validation des entrées pour les types de données complexes et à mettre en œuvre la surveillance et la journalisation afin de garantir le bon fonctionnement de votre application dans les environnements de production.Prérequis
Programme de formation
Plan du cours
1
Introduction à FastAPI pour le déploiement de modèles
Commencez à exposer les prédictions de votre modèle de ML via des endpoints FastAPI. Vous apprendrez à charger des modèles de ML préentraînés et à créer des endpoints d’API pour servir des prédictions sous forme de réponses sérialisées via des requêtes HTTP. Vous exploiterez des modèles de données Pydantic pour valider les requêtes et les réponses.
- Requêtes GET et POST pour l’IA50 XP
- Endpoint GET pour les informations du modèle100 XP
- Endpoint POST pour l’enregistrement de modèles100 XP
- Prédiction FastAPI avec un modèle pré-entraîné50 XP
- Charger le modèle pré-entraîné100 XP
- Créer l’endpoint de prédiction100 XP
- Exécuter l’application FastAPI100 XP
- Modèles de requête et de réponse50 XP
- Créer un modèle Pydantic pour l’entrée ML100 XP
- Valider la requête et la réponse pour une prédiction ML100 XP
2
Intégrer des modèles d’IA
Apprenez à servir des modèles de Machine Learning via des endpoints FastAPI. Ce chapitre couvre la création d’endpoints qui renvoient des prédictions, la gestion de différents types de données en entrée et la mise en place d’une validation d’entrée robuste. Vous construirez des API prêtes pour la production, capables de valider divers types d’entrées tout en chargeant les modèles de ML au démarrage du serveur, sans interruption de service.
3
Sécuriser et optimiser l’API
Ce chapitre traite de la sécurisation des API avec une authentification par clé, de la gestion du débit des requêtes avec une limitation personnalisée, et de l’amélioration des performances via le traitement asynchrone. Vous apprendrez à protéger les endpoints, à prévenir les abus et à gérer efficacement les tâches longues, afin de préparer votre API pour la production.
4
Versionnage d’API, monitoring et journalisation
Ce chapitre couvre des sujets avancés qui vous permettront de maintenir des applications FastAPI en production sur le long terme. Au programme : versionnage et documentation des endpoints d’API, validation avancée des entrées pour gérer des entrées et sorties plus complexes, ainsi que monitoring et journalisation pour garantir le bon fonctionnement des applications et dépanner en direct lorsqu’un problème survient.
Déployer l’IA en production avec FastAPI
Cours
terminé
