tuvoan/ml_in_production
این پروژه یک مجموعه دمو برای نمایش روش‌های مختلف استقرار مدل‌های یادگیری ماشین در محیط تولید است.
کاربرد:
این مخزن به تو کمک می‌کنه بدونی چطور یک مدل ML رو از مرحله توسعه به محیط واقعی (Production) منتقل کنی و در دسترس قرار بدی.
در چه شرایطی بهتره استفاده شود؟
اگر داری یک مدل یادگیری ماشین می‌سازی و می‌خوای بدونی چطور اون رو استقرار بدی، تست کنی، مانیتور کنی و مقیاس‌پذیر کنی، این پروژه می‌تونه راهنمای خوبی باشه. به خصوص برای داده‌کاوها و مهندسی ML که می‌خوان وارد دنیای عملیاتی‌سازی (MLOps) بشن. ️
چند مثال از موارد استفاده:
استقرار مدل با Flask و Docker
استفاده از FastAPI برای ساخت API هوشمند
استفاده از Kubernetes برای مدیریت سرویس‌های مقیاس‌پذیر
مانیتورینگ مدل در تولید با ابزارهایی مثل Prometheus
استفاده از CI/CD برای اجرای خودکار تست و استقرار
- ##MachineLearning
- ##MLOps
- ##Deployment
- ##FastAPI
- ##Docker
- ##Kubernetes
- ##Flask
- ##ModelServing
- ##CI
- ##ProductionML