После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
FastAPI для развертывания AI-моделей
FastAPI — это веб-фреймворк на Python, идеально подходящий для создания API, особенно для развертывания моделей машинного обучения и ИИ. Скорость и модульность FastAPI делают его мощным выбором для специалистов по данным и инженеров машинного обучения, стремящихся интегрировать решения ИИ в веб-приложения.Создание API для моделей в промышленной эксплуатации
В этом курсе вы узнаете, как создавать и развертывать API для обслуживания моделей с помощью FastAPI. К концу курса вы научитесь создавать надежные API-эндпоинты, которые обрабатывают проверку входных данных, аутентификацию и управление ошибками. Практические упражнения помогут вам шаг за шагом создать полноценные API, предназначенные для обработки взаимодействий с моделями ИИ.Обеспечение безопасности и масштабирование приложений FastAPI
Вы также реализуете аутентификацию по API-ключу, примените настраиваемое ограничение скорости для контроля потока запросов и повысите производительность за счёт асинхронной обработки. Кроме того, вы научитесь управлять версиями API, улучшать валидацию входных данных для сложных типов данных и внедрять мониторинг и ведение журналов, чтобы ваше приложение стабильно работало в производственных средах.Предварительные требования
Программа
План курса
1
Введение в FastAPI для развёртывания моделей
Начните обслуживать предсказания вашей модели машинного обучения через эндпоинты FastAPI. Вы научитесь загружать предобученные модели и создавать API-эндпоинты для передачи предсказаний в виде сериализованных ответов по HTTP-запросам. Для валидации запросов и ответов вы будете использовать модели данных Pydantic.
- GET- и POST-запросы для ИИ50 XP
- GET-эндпоинт для получения информации о модели100 XP
- POST-эндпоинт для регистрации модели100 XP
- Предсказание с помощью FastAPI и предобученной модели50 XP
- Загрузка предобученной модели100 XP
- Создание эндпоинта для предсказаний100 XP
- Запуск приложения FastAPI100 XP
- Модели запросов и ответов50 XP
- Создание модели Pydantic для входных данных ML100 XP
- Валидация запроса и ответа для предсказания модели машинного обучения100 XP
2
Интеграция ИИ-моделей
Узнайте, как обслуживать модели машинного обучения через эндпоинты FastAPI. В этой главе рассматривается создание эндпоинтов, возвращающих предсказания, обработка различных типов входных данных и реализация надёжной валидации входных данных. Вы создадите API, готовые к работе в производственной среде: с поддержкой разных типов входных данных и загрузкой моделей машинного обучения при запуске сервера без простоев.
3
Защита и оптимизация API
В этой главе рассматривается защита API с помощью аутентификации на основе ключей, управление частотой запросов с использованием пользовательского ограничения нагрузки, а также повышение производительности за счёт асинхронной обработки. Вы научитесь защищать эндпоинты, предотвращать злоупотребления и эффективно обрабатывать ресурсоёмкие задачи — всё это подготовит ваш API к работе в производственной среде.
4
Версионирование, мониторинг и ведение журналов API
В этой главе рассматриваются продвинутые темы, которые помогут поддерживать приложения FastAPI в производственной среде на долгосрочной основе. Темы включают версионирование и документирование API-эндпоинтов, расширенную валидацию входных и выходных данных для работы со сложными структурами, а также мониторинг и ведение журналов для контроля работы приложений и оперативного устранения неполадок.
Развёртывание ИИ в производственной среде с помощью FastAPI
Курс
завершён
