Questo tutorial spiega come creare un'API di analisi del sentiment containerizzata utilizzando Hugging Face, FastAPI e Docker
Molti progetti di intelligenza artificiale falliscono, secondo vari rapporti (ad es. Recensione aziendale di Hardvard). Immagino che parte dell'ostacolo al successo di un progetto di intelligenza artificiale sia il passaggio tecnico dalla creazione di un modello al renderlo ampiamente disponibile per gli altri nella propria organizzazione.
Allora come rendere il vostro modello facilmente disponibile per il consumo? Un modo è racchiuderlo in un'API e containerizzarlo in modo che il modello possa essere esposto su qualsiasi server con Docker installato. Ed è esattamente ciò che faremo in questo tutorial.
Prenderemo un modello di analisi del sentiment da Hugging Face (una scelta arbitraria solo per avere un modello facile da mostrare come esempio), scriveremo un endpoint API che espone il modello utilizzando FastAPI e quindi containerizzeremo la nostra app di analisi del sentiment con Docker. Fornirò esempi di codice e spiegazioni fino in fondo.
Il codice tutorial è stato testato su Linux e dovrebbe funzionare anche su Windows.
Utilizzeremo la classe Pipeline di Hugging Face's transformers biblioteca. Vedere Il tutorial di Hugging Face per un'introduzione alla pipeline se non la conosci.
La pipeline semplifica l'utilizzo di modelli come i modelli di sentiment. Dai un'occhiata a Hugging Face tutorial sull'analisi del sentiment per un'introduzione approfondita al concetto.
È possibile istanziare la pipe con diversi argomenti del costruttore. Un modo è passare un tipo di attività:
from transformers import pipelinepipe = pipeline(task="sentiment-analysis")
Verrà utilizzato il modello predefinito di Hugging Face per l'attività fornita.
Un altro modo è passare l'argomento model specificando quale modello si desidera utilizzare. Tu non…
Fonte: towardsdatascience.com
