MaaS API: разработка обёртки для AI-модели с FastAPI и мониторингом

Мы часто видим: вы обучили модель, потратили недели на настройку гиперпараметров и получили отличные метрики. Но как теперь отдать её клиентам? Просто передать веса не получится. Нужен API с аутентификацией, версионированием, мониторингом. Сырая модель — не endpoint. Наша команда разрабатывает API-обёртку, которая решает эти проблемы на уровне кода. Без грамотной обёртки модель остаётся недоступной для внешних систем, а ручная интеграция каждого клиента — путь к хаосу и утечкам данных. Такой подход превращает модель в полноценный микросервис для машинного обучения.

Архитектура MaaS API

[Client] → [API Gateway] → [Auth/Rate Limit] → [Request Validation]
               → [Model Router] → [Inference Service] → [Response Formatter]
                   ↕                    ↕
            [Usage Logger]       [Cache Layer]

Клиент отправляет запрос, API gateway проверяет ключ, rate limiter контролирует частоту, а кеш (Redis) возвращает результат для повторяющихся запросов. Только если кеш пуст, запрос идёт к модели. Это снижает нагрузку и улучшает latency.

Реализация на FastAPI

from fastapi import FastAPI, HTTPException, Depends, Header
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel, Field
import time
import hashlib

app = FastAPI(title="Model-as-a-Service API", version="1.0.0")

class PredictionRequest(BaseModel):
    inputs: list[dict] = Field(..., description="List of feature dictionaries")
    model_version: str = Field(default="latest")
    options: dict = Field(default_factory=dict)

class PredictionResponse(BaseModel):
    predictions: list
    model_version: str
    request_id: str
    latency_ms: float

async def verify_api_key(x_api_key: str = Header(...)):
    if not await api_key_store.verify(x_api_key):
        raise HTTPException(status_code=401, detail="Invalid API key")
    return await api_key_store.get_client(x_api_key)

@app.post("/v1/predict", response_model=PredictionResponse)
async def predict(
    request: PredictionRequest,
    client = Depends(verify_api_key)
):
    # Rate limiting
    if not await rate_limiter.check(client.id, limit=100, window=60):
        raise HTTPException(status_code=429, detail="Rate limit exceeded")

    # Cache check
    cache_key = hashlib.md5(str(request.inputs).encode()).hexdigest()
    cached = await cache.get(cache_key)
    if cached:
        return cached

    # Inference
    start = time.perf_counter()
    try:
        model = model_registry.get(request.model_version)
        predictions = model.predict(request.inputs)
    except Exception as e:
        await logger.error(client.id, request, str(e))
        raise HTTPException(status_code=500, detail=str(e))
    latency = (time.perf_counter() - start) * 1000

    response = PredictionResponse(
        predictions=predictions,
        model_version=model.version,
        request_id=generate_request_id(),
        latency_ms=latency
    )

    # Log usage
    await usage_logger.log(client.id, request, response, latency)
    await cache.set(cache_key, response, ttl=300)

    return response

FastAPI использует Pydantic для валидации данных и автоматической генерации документации. В сравнении с Flask он выигрывает в производительности: P95 latency снижается в 2–3 раза при одинаковой нагрузке. Это подтверждают данные из FastAPI benchmarks.

Почему FastAPI лучше Flask для ML API?

FastAPI обеспечивает P95 latency в 2–3 раза ниже при высоких нагрузках за счёт асинхронной обработки и автоматической валидации. По данным официальных бенчмарков, он обрабатывает до 1000 RPS на одном инстансе, тогда как Flask — около 300. Это критично для продуктовых ML-сервисов, где каждая миллисекунда влияет на пользовательский опыт. REST API для ML модели должен быть отказоустойчивым и масштабируемым.

Версионирование API

# v1 — legacy формат
@app.post("/v1/predict")
async def predict_v1(request: PredictionRequestV1):
    ...

# v2 — новый формат с batch поддержкой
@app.post("/v2/predict")
async def predict_v2(request: PredictionRequestV2):
    ...

# Deprecation header для v1
@app.middleware("http")
async def add_deprecation_header(request, call_next):
    response = await call_next(request)
    if request.url.path.startswith("/v1/"):
        response.headers["Deprecation"] = "true"
        response.headers["Sunset"] = "устанавливается при деплое"
    return response

Версионирование позволяет развивать API без поломки существующих клиентов. Старые версии помечаются как устаревшие, но продолжают работать, пока клиенты не мигрируют.

Как мы обеспечиваем безопасность и производительность?

Безопасность строится на трёх уровнях: аутентификация (API-ключи или JWT), rate limiting (ограничение запросов в минуту на клиента) и валидация входных данных через Pydantic. Для производительности используем кэширование в Redis с TTL 5 минут. Типичный hit rate кэша для повторяющихся запросов — 40–60%, что снижает latency на 30–50%.

Типичные проблемы при запуске ML-модели в продакшен

Часто сталкиваемся с тремя проблемами при запуске ML-модели. Первая — отсутствие контроля доступа: любой может вызвать модель, что ведёт к перегрузке и неконтролируемым расходам. Мы решаем это API-ключами и rate limiting на основе Token Bucket. Вторая — обновление модели с простоем: пока меняются веса, сервис недоступен. Помогает версионирование и blue-green deployment. Третья — отсутствие мониторинга: вы не знаете ни числа запросов, ни задержки. Мы ставим Prometheus + Grafana с автоматическими алертами.

Что входит в разработку API-обёртки?

Дополнительно: webhook callbacks для долгих предсказаний, поддержка квантованных моделей (INT4/INT8) для снижения cost per token.

Кейс: как мы сократили latency на 40%

Для клиента с LLM-моделью на базе LLaMA 3 мы внедрили батчинг запросов (batch size 8) и квантование модели до INT4. Это снизило p95 latency с 800 ms до 450 ms и увеличило пропускную способность в 2 раза. Cost per token уменьшился на 35% за счёт более эффективной утилизации GPU. Инференс выполнялся на Triton Inference Server.

Свяжитесь с нами для оценки вашего проекта. Мы разработаем API-обёртку под ключ — оценим сроки за 1–2 дня. Закажите консультацию, чтобы обсудить детали.

MLOps: инфраструктура для обучения, деплоя и мониторинга ML-моделей

Модель обучена, метрики — F1 0.94 на валидации. Через три месяца в продакшене качество падает на 12%. Никто не знает, когда именно — нет мониторинга. Нельзя быстро переобучить — обучающий скрипт лежит в Jupyter-ноутбуке у data scientist’а, который уже уволился. Данные для ретрейна собирают руками из трёх разрозненных систем. Примерно половина проектов приходят к нам с этой болью. Мы строим MLOps платформу под ключ: от трекинга экспериментов до автоматического деплоя и мониторинга дрейфа данных. Оценим вашу инфраструктуру за 1–2 недели, а через 4–6 недель вы получите базовое ядро MLOps, работающее в продуктивном контуре. Наша команда — 10+ лет опыта в ML-инфраструктуре, более 50 внедрений.

Experiment tracking и воспроизводимость

Без трекинга ML-проект превращается в хаос: непонятно, какой чекпоинт лучше, какие гиперпараметры использовались, какой датасет. Воспроизвести результат через месяц — квест.

MLflow — open source стандарт для трекинга. Логирует параметры, метрики, артефакты (модели, графики) и код. MLflow Model Registry — централизованное хранилище моделей с версионированием и lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving или интеграция с внешними системами.

Типичная инициализация в коде:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Это минимум. В production добавляем логирование системных метрик (GPU utilization, memory), датасета (hash, версия), кода (git commit hash). Weights & Biases — более богатый UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без внешних зависимостей.

DVC (Data Version Control) — версионирование данных и моделей поверх git. Данные хранятся в S3/GCS/Azure Blob, в git — только метаданные (хэши). dvc repro воспроизводит весь пайплайн от сырых данных до метрик.

Как обеспечить воспроизводимость обучения? Фиксируйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) и записывайте их в метаданные эксперимента. Без этого дебаггинг нерегулярных результатов — боль. Логируйте версию датасета (DVC hash) и git commit — тогда любой эксперимент можно повторить с точностью до байта.

Оркестрация пайплайнов: Kubeflow, Airflow, Prefect

Когда нужен оркестратор пайплайнов? Скрипт обучения на 100 строк в cron — нормально для простых задач. Но как только появляется multi-step пайплайн (загрузка данных → preprocessing → feature engineering → обучение → валидация → деплой если качество выше порога), нужен оркестратор с retry-логикой, визуализацией, алертами.

Kubeflow — Kubernetes-native оркестратор для ML (см. Wikipedia). Каждый шаг — Docker-контейнер. Поддерживает параллельные шаги, условные ветки, артефакты между шагами. Интегрируется с Katib (AutoML), KServe (serving), Feast (feature store).

Apache Airflow — более общий DAG-оркестратор. Широкая экосистема операторов (S3, Spark, DBT, Kubernetes). Проще развернуть, если уже есть Airflow в компании.

Prefect / Metaflow — меньше boilerplate. Prefect 2.x с декораторами @flow и @task — быстрый старт для небольших команд.

Типичная архитектура обучающего пайплайна на Kubeflow:

1. Data ingestion component — забирает данные из S3/БД, валидирует схему через Great Expectations
2. Preprocessing component — трансформации, normalization, train/val/test split
3. Training component — обучение на GPU, логирование в MLflow
4. Evaluation component — вычисление метрик, сравнение с baseline в Model Registry
5. Conditional deployment — деплой только если новая модель лучше текущей на >2% F1

Каждый component — отдельный Docker-образ. Пайплайн версионируется в git. Запуск по расписанию (ретрейнинг раз в неделю на новых данных) или вручную.

Model Registry и управление жизненным циклом

Model Registry — не просто хранилище чекпоинтов. Это централизованная система, которая знает:

• Какая модель сейчас в продакшене (и с какими метриками)
• История всех версий с параметрами обучения
• Метаданные: датасет, git commit, результаты валидации
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Продвижение модели через стейджи: автоматически переводим модель в Staging после успешного прохождения eval, затем ручное или автоматическое (при A/B тесте) продвижение в Production. Rollback — переключение на предыдущую Production-версию за секунды.

Serving: от FastAPI до Triton Inference Server

Простой случай. FastAPI + PyTorch/ONNX на одном сервере — 80% production ML deployments именно так. Достаточно для большинства задач с нагрузкой до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

Triton Inference Server — production-стандарт для высоких нагрузок (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Поддерживает TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving с autoscaling, canary deployments, A/B testing из коробки. Scale-to-zero для неактивных моделей — экономия на инфраструктуре до 40% (более 1.2 млн рублей в год для проекта с 10 моделями).

Мониторинг: data drift, model drift, инфраструктурные метрики

Мониторинг — то, что обычно делают в последнюю очередь и о чём жалеют в первую. Три уровня.

Инфраструктурный мониторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold или error rate > 1%.

Data drift мониторинг. Распределение входных данных меняется со временем. Детектируем через PSI (Population Stability Index) для числовых признаков: PSI > 0.2 — сильный дрейф. Chi-squared test для категориальных, Kolmogorov-Smirnov test для непрерывных. Evidently AI — open source библиотека с готовыми дрейф-тестами.

Model drift мониторинг. Если есть ground truth с задержкой (например, через неделю знаем конверсию) — мониторим реальные метрики. Если нет — surrogate метрики: распределение prediction scores, доля confident predictions.

Alerting. Три уровня: INFO (небольшой дрейф, логируем), WARNING (значимый, уведомляем команду), CRITICAL (качество упало ниже порога — автоматическое переключение на fallback-модель).

Почему важен мониторинг дрейфа данных? Без него вы узнаёте о деградации модели только по жалобам пользователей или звенящему SLA. Алерт о дрейфе позволяет переобучить модель заранее, до того как ошибки начнут приносить убытки. В одном из наших проектов мониторинг PSI выявил дрейф через 2 дня после изменения источника данных — это спасло кампанию с бюджетами на 2 млн рублей.

Feature Store

Feature Store решает проблему training-serving skew. Если preprocessing во время обучения и инференса реализован в двух разных местах — расхождение неизбежно.

Когда нужен Feature Store?

• Несколько моделей используют одни и те же признаки
• Признаки вычисляются из потоковых данных (real-time)
• Большая команда с разными людьми на feature engineering и model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для обучения, онлайн store (Redis, DynamoDB) для low-latency инференса. Feature definitions как код, materialization job синхронизирует офлайн → онлайн.

Tecton (коммерческий), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варианты с меньшим ops overhead.

CI/CD для ML

ML CI/CD — обычный CI/CD плюс специфичные ML-шаги.

ML-специфичные checks в CI:

• Проверка воспроизводимости: запустить обучение с фиксированным seed, результат должен совпадать
• Data validation: Great Expectations или Pandera на schema/distribution checks
• Model performance check: автоматический eval на holdout, блокировать merge если деградация > порога
• Latency regression test: inference должен укладываться в SLA

GitOps для деплоя. Merge в main → CI запускает обучение → eval → если проходит → автоматический деплой в Staging → smoke tests → ручное продвижение в Production или автоматическое при успешном canary.

Инструменты: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплоя на Kubernetes.

Что входит в разработку MLOps-платформы

Мы предоставляем полный цикл работ, документацию и обучение команды.

Итоговый срок от аудита до полноценной MLOps-платформы: 3–5 месяцев. Также возможен поэтапный запуск: базовый уровень (трекинг + serving) за 4–6 недель.

Стоимость рассчитывается индивидуально под объём данных, количество моделей и требования к инфраструктуре. Закажите аудит MLOps-инфраструктуры — получите roadmap за 1–2 недели. Свяжитесь с нами для оценки вашего проекта — мы пришлём предварительный расчёт за 2 рабочих дня.

Обратите внимание: гарантия на архитектурные решения — 12 месяцев. Предоставляем сертификаты интеграции с основными облачными провайдерами (AWS, GCP, Azure). За время работы мы не потеряли ни одного клиента после первого внедрения — опыт 50+ успешных MLOps-проектов говорит сам за себя. Получите консультацию по построению MLOps платформы уже сегодня.