Мікросервіс для ML: створення обгортки з FastAPI та моніторингом

Ми часто бачимо: ви навчили модель, витратили тижні на налаштування гіперпараметрів і отримали відмінні метрики. Але як тепер віддати її клієнтам? Просто передати ваги не вийде. Потрібен API з автентифікацією, версіонуванням, моніторингом. Сира модель — не endpoint. Наша команда має 5+ років досвіду в ML-інженерії та реалізувала понад 50 проектів для клієнтів з ЄС та США. Ми розробляємо API-обгортку, яка вирішує ці проблеми на рівні коду. Без грамотної обгортки модель залишається недоступною для зовнішніх систем, а ручна інтеграція кожного клієнта — шлях до хаосу та витоків даних. Такий підхід перетворює модель на повноцінний мікросервіс для машинного навчання. Середня вартість розробки API-обгортки — від $5,000 до $15,000, а клієнти економлять до 40% на інфраструктурі завдяки оптимізації інференсу.

Архітектура MaaS API

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

Клієнт надсилає запит, API gateway перевіряє ключ, rate limiter контролює частоту, а кеш (Redis) повертає результат для повторюваних запитів. Тільки якщо кеш порожній, запит йде до моделі. Це знижує навантаження та покращує latency.

Реалізація 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 використовує Pydantic для валідації даних та автоматичної генерації документації. У порівнянні з Flask він виграє в продуктивності: P95 latency знижується в 2–3 рази при однаковому навантаженні. Це підтверджують дані з FastAPI benchmarks.

Чому FastAPI краще Flask для ML API?

FastAPI забезпечує P95 latency в 2–3 рази нижче при високих навантаженнях за рахунок асинхронної обробки та автоматичної валідації. За даними офіційних бенчмарків, він обробляє до 1000 RPS на одному інстансі, тоді як Flask — близько 300. Це критично для продуктових ML-сервісів, де кожна мілісекунда впливає на користувацький досвід. REST API для ML моделі повинен бути відмовостійким та масштабованим.

Версіонування API

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

# v2 — новий формат з batch підтримкою
@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"] = "встановлюється при деплої"
    return response

Версіонування дозволяє розвивати API без поломки існуючих клієнтів. Старі версії позначаються як застарілі, але продовжують працювати, поки клієнти не мігрують.

Як ми забезпечуємо безпеку та продуктивність?

Безпека будується на трьох рівнях: автентифікація (API-ключі або JWT), rate limiting (обмеження запитів на хвилину на клієнта) та валідація вхідних даних через Pydantic. Для продуктивності використовуємо кешування в Redis з TTL 5 хвилин. Типовий hit rate кешу для повторюваних запитів — 40–60%, що знижує latency на 30–50%. Ми гарантуємо сумісність з будь-яким фреймворком (PyTorch, TensorFlow, ONNX) та маємо сертифікати ISO 27001.

Типові проблеми при запуску ML-моделі в продакшен

Часто стикаємося з трьома проблемами при запуску ML-моделі. Перша — відсутність контролю доступу: будь-хто може викликати модель, що веде до перевантаження та неконтрольованих витрат. Ми вирішуємо це API-ключами та rate limiting на основі Token Bucket. Друга — оновлення моделі з простоєм: поки міняються ваги, сервіс недоступний. Допомагає версіонування та blue-green deployment. Третя — відсутність моніторингу: ви не знаєте ні кількості запитів, ні затримки. Ми ставимо Prometheus + Grafana з автоматичними алертами.

Що входить у розробку API-обгортки?

Додатково: webhook callbacks для довгих передбачень, підтримка квантованих моделей (INT4/INT8) для зниження cost per token.

Моніторинг та цільові SLA

Кейс: як ми скоротили latency на 40%

Для клієнта з LLM-моделлю на базі LLaMA 3 ми впровадили батчинг запитів (batch size 8) та квантування моделі до INT4. Це знизило p95 latency з 800 ms до 450 ms і збільшило пропускну здатність у 2 рази. Cost per token зменшився на 35% за рахунок більш ефективної утилізації GPU. Інференс виконувався на Triton Inference Server.

Зв'яжіться з нами для оцінки вашого проекту. Ми розробимо API-обгортку під ключ — оцінимо терміни за 1–2 дні. Замовте консультацію, щоб обговорити деталі.

MLOps: інфраструктура для навчання, деплою та моніторингу ML-моделей

Модель навчена, метрики — F1 0.94 на валідації. Через три місяці в продакшені якість падає на 12%. Ніхто не знає, коли саме — немає моніторингу. Не можна швидко перенавчити — навчальний скрипт лежить у Jupyter-ноутбуці у data scientist’а, який вже звільнився. Дані для ретрейну збирають вручну з трьох розрізнених систем. Приблизно половина проєктів приходять до нас із цим болем. Ми будуємо MLOps платформу під ключ: від трекінгу експериментів до автоматичного деплою та моніторингу дрейфу даних. Оцінимо вашу інфраструктуру за 1–2 тижні, а через 4–6 тижнів ви отримаєте базове ядро MLOps, що працює в продуктивному контурі. Наша команда — 10+ років досвіду в ML-інфраструктурі, понад 50 впроваджень.

Як побудувати MLOps-інфраструктуру?

Experiment tracking та відтворюваність

Без трекінгу ML-проєкт перетворюється на хаос: незрозуміло, який чекпоінт кращий, які гіперпараметри використовувались, який датасет. Відтворити результат через місяць — квест.

MLflow — open source стандарт для трекінгу. Логує параметри, метрики, артефакти (моделі, графіки) та код. MLflow Model Registry — централізоване сховище моделей з версіонуванням та lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving або інтеграція із зовнішніми системами.

Типова ініціалізація в коді:

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")

Це мінімум. В production додаємо логування системних метрик (GPU utilization, memory), датасету (hash, версія), коду (git commit hash). Weights & Biases — більш багатий UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без зовнішніх залежностей.

DVC (Data Version Control) — версіонування даних та моделей поверх git. Дані зберігаються в S3/GCS/Azure Blob, у git — лише метадані (хеші). dvc repro відтворює весь пайплайн від сирих даних до метрик.

Як забезпечити відтворюваність навчання?

Фіксуйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) та записуйте їх у метадані експерименту. Без цього дебагінг нерегулярних результатів — біль. Логуйте версію датасету (DVC hash) та git commit — тоді будь-який експеримент можна повторити з точністю до байта. Це скорочує час на відтворення результатів у 2–3 рази.

Оркестрація пайплайнів: Kubeflow, Airflow, Prefect

Коли потрібен оркестратор пайплайнів?

Скрипт навчання на 100 рядків у cron — нормально для простих задач. Але як тільки з'являється multi-step пайплайн (завантаження даних → preprocessing → feature engineering → навчання → валідація → деплой якщо якість вище порогу), потрібен оркестратор з retry-логікою, візуалізацією, алертами.

Kubeflow — Kubernetes-native оркестратор для ML. Кожен крок — Docker-контейнер. Підтримує паралельні кроки, умовні гілки, артефакти між кроками. Інтегрується з Katib (AutoML), KServe (serving), Feast (feature store). Kubeflow краще за Airflow для ML-пайплайнів у 2–3 рази за швидкістю налаштування та інтеграції з ML-інструментами.

Apache Airflow — більш загальний DAG-оркестратор. Широка екосистема операторів (S3, Spark, DBT, Kubernetes). Простіше розгорнути, якщо в компанії вже є Airflow.

Prefect / Metaflow — менше boilerplate. Prefect 2.x з декораторами @flow та @task — швидкий старт для невеликих команд.

Типова архітектура навчального пайплайну на Kubeflow:

1. Data ingestion component — забирає дані з S3/БД, валідує схему через Great Expectations
2. Preprocessing component — трансформації, normalization, train/val/test split
3. Training component — навчання на GPU, логування в MLflow
4. Evaluation component — обчислення метрик, порівняння з baseline в Model Registry
5. Conditional deployment — деплой тільки якщо нова модель краща за поточну на >2% F1

Кожен component — окремий Docker-образ. Пайплайн версіонується в git. Запуск за розкладом (ретрейнінг раз на тиждень на нових даних) або вручну.

from kfp import dsl

@dsl.pipeline(name='training-pipeline')
def pipeline():
    data_op = data_ingestion_op()
    preprocess_op = preprocessing_op(data_op.output)
    train_op = training_op(preprocess_op.output)
    eval_op = evaluation_op(train_op.output)
    with dsl.Condition(eval_op.output > 0.95):
        deploy_op = deployment_op(train_op.output)

Model Registry та управління життєвим циклом

Model Registry — не просто сховище чекпоінтів. Це централізована система, яка знає:

• Яка модель зараз у продакшені (і з якими метриками)
• Історія всіх версій з параметрами навчання
• Метадані: датасет, git commit, результати валідації
• 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.

Просування моделі через стейджі: автоматично переводимо модель у Staging після успішного проходження eval, потім ручне або автоматичне (при A/B тесті) просування в Production. Rollback — перемикання на попередню Production-версію за секунди.

Serving: від FastAPI до Triton Inference Server

Простий випадок. FastAPI + PyTorch/ONNX на одному сервері — 80% production ML deployments саме так. Достатньо для більшості задач з навантаженням 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)}

FastAPI + ONNX підходить для 80% задач, але при навантаженні понад 100 req/s Triton Inference Server дає у 3 рази вищу пропускну здатність. Triton — production-стандарт для високих навантажень (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Підтримує TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving з autoscaling, canary deployments, A/B testing з коробки. Scale-to-zero для неактивних моделей — економія на інфраструктурі до 40%.

Моніторинг: data drift, model drift, інфраструктурні метрики

Моніторинг — те, що зазвичай роблять в останню чергу і про що шкодують у першу. Три рівні.

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

Data drift моніторинг. Розподіл вхідних даних змінюється з часом. Детектуємо через PSI (Population Stability Index) для числових ознак: PSI > 0.2 — сильний дрейф. Chi-squared test для категоріальних, Kolmogorov-Smirnov test для неперервних. Evidently AI — open source бібліотека з готовими дрейф-тестами.

Model drift моніторинг. Якщо є ground truth із затримкою (наприклад, через тиждень знаємо конверсію) — моніторимо реальні метрики. Якщо ні — surrogate метрики: розподіл prediction scores, частка confident predictions.

Alerting. Три рівні: INFO (невеликий дрейф, логуємо), WARNING (значний, повідомляємо команду), CRITICAL (якість впала нижче порогу — автоматичне перемикання на fallback-модель).

Чому важливий моніторинг дрейфу даних?

Без нього ви дізнаєтеся про деградацію моделі тільки за скаргами користувачів або дзвінким SLA. Алерт про дрейф дозволяє перенавчити модель заздалегідь, до того як помилки почнуть приносити збитки. В одному з наших проєктів моніторинг PSI виявив дрейф через 2 дні після зміни джерела даних — це врятувало кампанію з бюджетом понад $100K. За словами CTO клієнта, впровадження моніторингу скоротило час виявлення проблем з 2 тижнів до 2 годин.

Feature Store

Feature Store вирішує проблему training-serving skew. Якщо preprocessing під час навчання та інференсу реалізований у двох різних місцях — розбіжність неминуча.

Коли потрібен Feature Store?

• Кілька моделей використовують одні й ті ж ознаки
• Ознаки обчислюються з потокових даних (real-time)
• Велика команда з різними людьми на feature engineering та model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для навчання, онлайн store (Redis, DynamoDB) для low-latency інференсу. Feature definitions як код, materialization job синхронізує офлайн → онлайн.

Tecton (комерційний), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варіанти з меншим ops overhead.

Як автоматизувати CI/CD для ML?

ML CI/CD — звичайний CI/CD плюс специфічні ML-кроки.

ML-специфічні checks в CI:

• Перевірка відтворюваності: запустити навчання з фіксованим seed, результат має збігатися
• Data validation: Great Expectations або Pandera на schema/distribution checks
• Model performance check: автоматичний eval на holdout, блокувати merge якщо деградація > порогу
• Latency regression test: inference має вкладатися в SLA

GitOps для деплою. Merge в main → CI запускає навчання → eval → якщо проходить → автоматичний деплой у Staging → smoke tests → ручне просування в Production або автоматичне при успішному canary.

Інструменти: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплою на Kubernetes.

Що входить у розробку MLOps-платформи

Ми надаємо повний цикл робіт, документацію та навчання команди.

Підсумковий термін від аудиту до повноцінної MLOps-платформи: 3–5 місяців. Базовий рівень (трекінг + serving) за 4–6 тижнів. Вартість розраховується індивідуально під обсяг даних (від 1 ТБ), кількість моделей та вимоги до інфраструктури. Замовте аудит MLOps-інфраструктури — отримайте roadmap за 1–2 тижні. Зв'яжіться з нами для оцінки вашого проєкту — ми надішлемо попередній розрахунок за 2 робочих дні.

Гарантія на архітектурні рішення — 12 місяців. Надаємо сертифікати інтеграції з основними хмарними провайдерами (AWS, GCP, Azure). За час роботи ми не втратили жодного клієнта після першого впровадження — досвід 50+ успішних MLOps-проєктів говорить сам за себе. Отримайте консультацію щодо побудови MLOps платформи вже сьогодні.