Angewandtes maschinelles Lernen und KI für Ingenieure

Kapitel 7. Operationalisierung von Machine Learning Modellen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Alle der bisher in diesem Buch vorgestellten Modelle für maschinelles Lernen sind in Python geschrieben. Modelle müssen nicht zwangsläufig in Python geschrieben sein, aber viele sind es, auch dank der zahlreichen erstklassigen Python-Bibliotheken, wie Pandas und Scikit-Learn. In Python geschriebene ML-Modelle lassen sich leicht in Python-Anwendungen verwenden. Sie aus anderen Sprachen wie C++, Java und C# aufzurufen, erfordert etwas mehr Arbeit. Du kannst eine Python-Funktion nicht einfach von C++ aus aufrufen, als wäre sie eine C++-Funktion. Wie rufst du also in Python geschriebene Modelle aus Anwendungen auf, die in anderen Sprachen geschrieben wurden? Anders ausgedrückt: Wie operationalisierst du Python-Modelle so, dass sie in jeder App auf jeder Plattform und in jeder Programmiersprache verwendet werden können?

Das Diagramm auf der linken Seite in Abbildung 7-1 zeigt eine Strategie: Das Modell in einen Webdienst verpacken und seine Funktionen über eine REST-API zugänglich machen. Dann kann jeder Client, der eine HTTP(S)-Anfrage stellen kann, das Modell aufrufen. Mit Hilfe von Python-Frameworks wie Flask ist es relativ einfach, das Modell zu verpacken . Der Webdienst kann lokal oder in der Cloud gehostet werden und lässt sich mit Tools wie Docker in Containern bereitstellen .

Abbildung ...