মডেলকে প্রোডাকশনে চালু ও রক্ষণাবেক্ষণ।
Shipping and maintaining models in production.
Version, containerise, deploy and monitor models
Git, Docker, FastAPI, MLflow
Deploy a model as an API with Docker
💡 কোডের প্রতিটি পরিবর্তন সংরক্ষণ, সহযোগিতা ও পোর্টফোলিও প্রদর্শন।
💡 মডেলকে অন্য অ্যাপ, ওয়েবসাইট বা মোবাইল থেকে ব্যবহারযোগ্য করা।
💡 Python দিয়েই মিনিটে ইন্টারঅ্যাক্টিভ ডেটা অ্যাপ—HTML/JS ছাড়া।
💡 "আমার কম্পিউটারে চলে" সমস্যার সমাধান—সব জায়গায় একই পরিবেশ।
💡 শত শত পরীক্ষার মধ্যে কোন সেটিংসে কোন ফল—হারিয়ে না যাওয়া।
💡 মডেল ও অ্যাপ ইন্টারনেটে সবার কাছে, চাহিদা অনুযায়ী স্কেল।
💡 বাস্তব জগৎ বদলায়—গতকালের ভালো মডেল আজ খারাপ হতে পারে।
# Save / load a model and serve predictions like an API would
import pickle, json
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X,y=load_iris(return_X_y=True); model=LogisticRegression(max_iter=300).fit(X,y)
blob=pickle.dumps(model); served=pickle.loads(blob)
def predict_endpoint(payload:str):
x=json.loads(payload)["features"]; return json.dumps({"class":int(served.predict([x])[0])})
print("POST /predict ->",predict_endpoint('{"features":[5.1,3.5,1.4,0.2]}'))
print("model size:",len(blob),"bytes")1. কনটেইনার টুল?
2. ডেটা ড্রিফট মানে?