Moscow Python Meetup №95 Арсен Гумин (Сбер, Руководитель направления по исследованию данных) Model-as-a-service: с нуля до enterprise ready

Разберемся, как усовершенствовать ваш model-as-a-service. Пройдем путь от понятной упаковки модели в Fastapi приложение до enterprise-ready сценариев машинного обучения. Также узнаем, какие инструменты и подходы применяются в онлайн-моделях и выясним, существует ли значительная разница между традиционными CPU-bound приложениями и моделями машинного обучения.

Видео: https://moscowpython.ru/meetup/95/model-as-a-service/

Moscow Python: http://moscowpython.ru
Курсы Learn Python: http://learn.python.ru
Moscow Python Podcast: http://podcast.python.ru
Заявки на доклады: https://bit.ly/mp-speaker

Transcript

1. Model-as-Service С нуля до Enterprise ready
2. MLOps-разработчик, создаю ML- инструменты, технологически развиваю рекомендательную платформу Сбера. @arsengumin gumin@live.ru Whoami
3. 3 3 Back-end MLTools Models, Services Интеграционные сервисы платформы User Go\Py Front-end RecSys Studio Web \ Airflow Channels Client Data user DS SDK Sber ReсSys Platform
4. Цель митапа Познакомить python разработчиков с ml online Рассмотреть инструментарий для сервинга моделей Узнать получше проблематику задачи ml online Показать MLOps\DS специалистам как можно улучшить их сценарии
5. 1 Пререквизиты Проблема и задача от которой отталкиваемся
6. Результат разработки ML решения Метрика 1 Метрика 2 Метрика 3 Метрика 4 Эксперимент 1 4,5 2,3 1,7 5 Эксперимент 2 3,2 5,1 4,4 3 Эксперимент 3 2,1 1,7 2,5 2,8 Эксперимент 4 4,5 2,2 1,7 7
7. Как заработать на результате труда DS?
8. Offline режиме
9. Очень хочется основываясь на действиях пользователя в наших продуктах, сразу ему давать персональные предложения: • Кредитные продукты • Фильмы • Ecom • Музыка • … Постановка задачи
10. 1 Первые шаги
11. Случайно узнаем про MLOps
12. • Saving and Serving Models • Tracking • Experiment Management • Reproducibility • Deployment Consistency • Model Management • Library Agnosticism 12 ML Platform
13. Open-Format Vendor File Extension License ML Tools & Platforms Support Human- readable Compression "almagination" − − − − − − ✓ PMML ✓ DMG .pmml AGPL R, Python, Spark ✓ (XML) ✘ PFA ✓ DMG JSON PFA-enabled runtime ✓ (JSON) ✘ ONNX ✓ SIG LFAI .onnx TF, CNTK, Core ML, MXNet, ML.NET − ✓ TF Serving Format ✓ Google .pf Tensor Flow ✘ g-zip Pickle Format ✓ .pkl scikit-learn ✘ g-zip JAR/ POJO ✓ .jar H2O ✘ ✓ HDF ✓ .h5 Keras ✘ ✓ MLEAP ✓ .jar/ .zip Spark, TF, scikit- learn ✘ g-zip Torch Script ✘ .pt PyTorch ✘ ✓ Apple .mlmodel ✘ Apple .mlmodel TensorFlow, scikit-learn, Core ML − ✓ Как хранить модели? И где?
14. Model Registry • Saving and Serving Models • Tracking • Experiment Management • Reproducibility • Deployment Consistency • Model Management • Library Agnosticism
15. Прямое решение @asynccontextmanager async def lifespan(app: FastAPI): app.state.model = load_model(...) yield app = FastAPI(lifespan=lifespan) @app.post("/v1/model/predict") def predict(x: List[List[float]]): outputs = app.state.model.predict(x) return outputs • Обучаем модель на исторических данных • Валидируем • Делаем pickle • Кладем модель в S3 • Или собираем модель сразу с сервисом • Пишем простой fastapi cервис • Кидаем все deployment/docker/systemd • Рассказываем всем формат входных данных
16. Ретроспектива решения • Быстро • Просто • Дешево • Что с метриками? • Что с масштабированием нагрузки • Что с auth? • Что с cloud native? • Framework agnostic? • Стандартизация? • GPU support • Бизнес правила • Поддержка стриминга
17. 1 Начинается MLOps
18. Добавим терминов Serving\Inference Platform • Advanced deployment • Serverless • Графы моделей • Cloud native Inference server • REST / gRPC server • Model serving • Metrics • Inference Protocol
19. Model Serving Patterns 19 • Model-as-Service. • Model-as-Dependency • Precompute • Model-on-Demand • Hybrid-Serving • …
20. Model Serving Patterns 20 • Model-as-Service. • Model-as-Dependency • Precompute • Model-on-Demand • Hybrid-Serving • …
21. 1 Road to cloud native
22. 22 Все придумали за нас
23. 23 Сохраним нашу модель def predict(model_input): return model_input.apply(lambda x: x * 2) with mlflow.start_run(): mlflow.pyfunc.log_model("model", python_model=predict, pip_requirements=[])
24. 24 Развернем модель apiVersion: machinelearning.seldon.io/v1alpha2 kind: SeldonDeployment metadata: name: mlflow spec: name: wines predictors: - graph: children: [] implementation: MLFLOW_SERVER modelUri: s3://path/to/model name: classifier name: default replicas: 1 apiVersion: serving.kserve.io/v1beta1 kind: InferenceService metadata: name: mlflow-v2-wine-classifier spec: predictor: model: modelFormat: name: mlflow protocolVersion: v2 storageUri: s3://path/to/model
25. Autopilot model serving
26. Обратимся к лидерам рынка
27. 1 Попытаемся улучшить
28. 28 Onnx • Облегченные модели, без проблем с зависимостями • Доступ к оптимизациям OpenVino
29. 29 HTTP/2 и gRPC • Модели могут гонять много данных по сети • Для запроса к модели, необходимо обратится к 3 разными сервисами
30. 30 Service mesh
31. 31 Inference servers • NVIDIA Triton Inference Server • TensorFlow Serving • TorchServe • BentoML • Roboflow Inference • KServe (formerly KFServing)
32. 32 Спасибо за внимание Не успели поговорить: • Security • Multi tenant • Feature store • Streaming • Adaptive batching • GPU • Public cloud platforms @arsengumin gumin@live.ru