การนำโมเดล AI ไปใช้งานจริงด้วย Flask, FastAPI, หรือ Docker

การพัฒนาโมเดล AI นั้นเป็นเพียงส่วนหนึ่งของกระบวนการทั้งหมด การนำโมเดลไปใช้งานจริง (Model Deployment) เป็นขั้นตอนที่สำคัญไม่แพ้กัน เพราะช่วยให้โมเดลสามารถให้บริการแก่ผู้ใช้หรือระบบอื่น ๆ ได้ ในบทความนี้เราจะมาดูวิธีการนำโมเดล AI ไปใช้งานจริงด้วยเครื่องมือยอดนิยม เช่น Flask, FastAPI และ Docker

1. การนำโมเดลไปใช้งานด้วย Flask

Flask คืออะไร?

Flask เป็นเว็บเฟรมเวิร์กแบบ Lightweight ที่ใช้งานง่ายและเหมาะสำหรับการสร้าง API เพื่อให้บริการโมเดล AI

ตัวอย่างการใช้ Flask สำหรับ Model Deployment

from flask import Flask, request, jsonify
import pickle
import numpy as np

# โหลดโมเดลที่เทรนไว้
model = pickle.load(open('model.pkl', 'rb'))

app = Flask(__name__)

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    features = np.array(data['features']).reshape(1, -1)
    prediction = model.predict(features)
    return jsonify({'prediction': prediction.tolist()})

if __name__ == '__main__':
    app.run(debug=True)
Code language: Python (python)

วิธีรันเซิร์ฟเวอร์ Flask

บันทึกโค้ดเป็น app.py แล้วรันคำสั่ง:

python app.pyCode language: CSS (css)

API จะสามารถเข้าถึงได้ผ่าน http://127.0.0.1:5000/predict

2. การนำโมเดลไปใช้งานด้วย FastAPI

FastAPI คืออะไร?

FastAPI เป็นเฟรมเวิร์กที่เร็วและมีประสิทธิภาพสูงกว่า Flask โดยรองรับการใช้งานแบบ asynchronous

ตัวอย่างการใช้ FastAPI สำหรับ Model Deployment

from fastapi import FastAPI
from pydantic import BaseModel
import pickle
import numpy as np

# โหลดโมเดลที่เทรนไว้
model = pickle.load(open('model.pkl', 'rb'))

app = FastAPI()

class ModelInput(BaseModel):
    features: list

@app.post('/predict')
def predict(data: ModelInput):
    features = np.array(data.features).reshape(1, -1)
    prediction = model.predict(features)
    return {'prediction': prediction.tolist()}

if __name__ == '__main__':
    import uvicorn
    uvicorn.run(app, host='127.0.0.1', port=8000)
Code language: Python (python)

วิธีรันเซิร์ฟเวอร์ FastAPI

บันทึกโค้ดเป็น main.py แล้วรันคำสั่ง:

uvicorn main:app --reload
Code language: Python (python)

API จะสามารถเข้าถึงได้ผ่าน http://127.0.0.1:8000/predict

3. การนำโมเดลไปใช้งานด้วย Docker

Docker คืออะไร?

Docker เป็นแพลตฟอร์มสำหรับการทำ Containerization ซึ่งช่วยให้สามารถนำโมเดล AI ไปใช้งานได้ในทุกสภาพแวดล้อมโดยไม่ต้องกังวลเรื่อง dependency

ตัวอย่างการใช้ Docker สำหรับ Model Deployment

3.1 สร้างไฟล์ Dockerfile

FROM python:3.9
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "app.py"]
Code language: Python (python)

3.2 สร้างไฟล์ requirements.txt

flask
numpy
scikit-learn
pickle5
Code language: Python (python)

3.3 สร้างและรัน Docker Container

docker build -t model-deployment .
docker run -p 5000:5000 model-deployment

Code language: Python (python)

สรุป

• Flask เหมาะสำหรับการใช้งานที่ต้องการความง่ายและรวดเร็ว
• FastAPI ให้ประสิทธิภาพที่สูงขึ้นและรองรับ asynchronous
• Docker ช่วยให้สามารถ deploy โมเดลในสภาพแวดล้อมที่ควบคุมได้ง่าย

คุณสามารถเลือกเครื่องมือที่เหมาะสมกับโครงการของคุณเพื่อให้สามารถนำโมเดลไปใช้งานจริงได้อย่างมีประสิทธิภาพ!

ทีมงานพร้อมให้คำปรึกษาและพัฒนาซอฟต์แวร์