ஒரு இயந்திர கற்றல் மாதிரியைப் பயிற்சி செய்து சரிப்படுத்திய பிறகு, அதன்இறுதிப் படிமுறை பரவலாகஅமர்த்துதல் ஆகும், இது நடப்பு உலக பயன்பாடுகள் நம்முடைய மாதிரியை கணிப்புகளுக்கு அல்லது நுண்ணறிவுகளுக்குப் பயன்படுத்த அனுமதிக்கிறது. இந்தக் கட்டுரை மாதிரிகளைச் சேமிப்பது, பதிவேற்றம்செய்வது, கணிப்புகளைச் சேவை செய்வதற்கான APIகளை உருவாக்குவது AWS, Google Cloud Heroku போன்ற மேககணினி தளங்களில் அவற்றை எவ்வாறு பயன்படுத்துவது என்பதை விளக்குகிறது.
1. இயந்திர கற்றல் மாதிரிகளை ஏன் பயன்படுத்த வேண்டும்?
மாதிரியின் பரவலாகஅமர்த்துதல் ஆனது பயிற்சி பெற்ற மாதிரியை உற்பத்திக்குத் தயாரான அமைப்பாக மாற்றுகிறது. அதன்முக்கிய நன்மைகள் பின்வருமாறு:
அணுகல்தன்மை: பயன்பாடுகள் அல்லது பயனர்களுக்கு ஒரு API மூலம் கணிப்புகளைச் சேவை செய்தல்.
அளவிடுதல்: பல கோரிக்கைகளைக் கையாளுதல், மாறும் பணிச்சுமைகளுக்கு ஏற்ப மாற்றியமைத்தல்.
நிகழ்நேர ஒருங்கிணைப்பு: ஏற்கனவே உள்ள அமைப்புகள் அல்லது pipelines.இல் ஒருங்கிணைப்பை இயக்குதல்.
2. ML மாதிரிகளைச் சேமித்தல் ,பதிவேற்றுதல்
மாதிரிகளைச் சேமித்தல்
மாதிரிகளைச் சேமிப்பது, அவற்றை மீண்டும் பயிற்சி எதுவும்இல்லாமல் மீண்டும் நாம் அவகைளை பயன்படுத்த முடியும் என்பதை உறுதி செய்கிறது.
Using Pickle (for Scikit-learn models)
import pickle
from sklearn.ensemble import RandomForestClassifier

Train and save model

model = RandomForestClassifier()
model.fit(X_train, y_train)
with open(‘model.pkl’, ‘wb’) as file:
pickle.dump(model, file)
Using TensorFlow/Keras
import tensorflow as tf

Save Keras model

model.save(‘model.h5’)
மாதிரிகளை பதிவேற்றுதல்
சேமித்த மாதிரிகளை மீண்டும் பதிவேற்றம்செய்வது அவற்றை உற்பத்தியில் பயன்படுத்த அனுமதிக்கிறது.
Using Pickle
with open(‘model.pkl’, ‘rb’) as file:
model = pickle.load(file)
Using TensorFlow/Keras
model = tf.keras.models.load_model(‘model.h5’)
3. RESTful எனும் APIகளை உருவாக்குதல்
APIகள் பயன்பாடுகள் நம்முடையள் மாதிரியுடன் தொடர்பு கொள்ள ஒரு வழியை வழங்குகின்றன.
3.1 Flask ஐப் பயன்படுத்துதல்
Flask என்பது ML மாதிரிகளுக்கு சேவை செய்வதற்கு ஏற்ற இலகுரக பைதான் கட்டமைப்பாகும்.
from flask import Flask, request, jsonify
import pickle

Load model

with open(‘model.pkl’, ‘rb’) as file:
model = pickle.load(file)

Create Flask app

app = Flask(name)
@app.route(‘/predict’, methods=[‘POST’])
def predict():
data = request.json
prediction = model.predict([data[‘features’]])
return jsonify({‘prediction’: prediction.tolist()})
if name == ‘main‘:
app.run(debug=True)
3.2 FastAPI ஐப் பயன்படுத்துதல்
FastAPI என்பது தரவு சரிபார்ப்புக்கான உள்ளமைக்கப்பட்ட ஆதரவுடன் கூடிய ஒரு நவீன மாற்றாகும்.
from fastapi import FastAPI
from pydantic import BaseModel
import pickle

Load model

with open(‘model.pkl’, ‘rb’) as file:
model = pickle.load(file)

Define input schema

class InputData(BaseModel):
features: list

Create FastAPI app

app = FastAPI()
@app.post(‘/predict’)
def predict(data: InputData):
prediction = model.predict([data.features])
return {‘prediction’: prediction.tolist()}
4.மேககணினிதளங்களில் மாதிரிகளைப் பயன்படுத்துதல்
4.1 AWS (அமேசான் இணைய சேவைகள்)
Elastic Beanstalk என்பதை பயன்படுத்திடுக:
Flask அல்லது FastAPI பயன்பாட்டை ஒரு சுருக்க கோப்பு அல்லது Docker எனும் கொள்கலனில் தொகுத்திடுக.
எளிதான அளவிடுதலுக்கு AWS இன்Elastic Beanstalkஐ பயன்படுத்திடுக.
SageMaker ஐப் பயன்படுத்திடுக:
குறைந்தபட்ச உள்கட்டமைப்பு மேலாண்மையுடன் ML மாதிரிகளைப் பயன்படுத்துவதற்கு ஏற்றது.
மாதிரியைப் பதிவேற்றம்செய்து கணிப்புகளுக்கான இறுதி கருத்தமைவுகளை உருவாக்கிடுக.
4.2 கூகிளின் மேககணினிதளம் (GCP)
செய்யறிவின்(AI) தளத்தைப் பயன்படுத்திடுக:
TensorFlow அல்லது Scikit-learn மாதிரியை பதிவேற்றம் செய்திடுக.
RESTஇன் APIகள் வழியாக கணிப்புகளை வழங்க செய்யறிவின்(AI) தளத்தை செயல்படுத்தி பயன்படுத்திடுக.
Cloud Runஎன்பதை பயன்படுத்திடுக:
Dockeஐ பயன்படுத்தி பயன்பாட்டை கொள்கலனாக்கிடுக.
முழுமையாக நிர்வகிக்கப்படும் சேவையாளர்இல்லாத தீர்வுக்காக அதை Cloud Runஎன்பதில் பயன்படுத்திடுக.
4.3 Heroku எனும் பயன்பாட்டை உருவாக்கிடுக:
சார்புகளுக்கான தேவைகளின்.txt வகைகோப்பைச் சேர்த்திடுக.
பயன்பாட்டிற்கான நுழைவுப் புள்ளியைக் குறிப்பிட ஒரு Procfile ஐ உருவாக்கிடுக:
web: gunicorn app:app
Heroku என்பதற்கு பரவலாக அமர்த்துதல்:
நம்முடைய குறிமுறைவரிகளை GitHub களஞ்சியத்திற்கு கொண்டுசேர்த்திடுக.
களஞ்சியத்தை Heroku உடன் இணைத்து நேரடியாக பரவலாகஅமர்த்திடுக.
4.4 பிற வயாப்புகள்
Azure ML: மாதிரிகளை REST இறுதிப் புள்ளிகளாக பரவலாக அமர்த்திடுக.
Docker & Kubernetes: அளவிடக்கூடிய பரவலாக அமர்த்துதல்களுக்கு கொள்கலன்மயமாக்கலைப் பயன்படுத்திடுக.
5. நடைமுறை எடுத்துக்காட்டு: Flask உடன் ஒரு மாதிரியைபரவலாகஅமர்த்துதல்
மாதிரி குறிமுறைவரிகள் (model.py)
import pickle
from sklearn.ensemble import RandomForestClassifier

Dummy training

model = RandomForestClassifier()
X_train, y_train = [[0, 1], [1, 0]], [0, 1]
model.fit(X_train, y_train)

Save model

with open(‘model.pkl’, ‘wb’) as file:
pickle.dump(model, file)
Flask App Code (app.py)
from flask import Flask, request, jsonify
import pickle

Load model

with open(‘model.pkl’, ‘rb’) as file:
model = pickle.load(file)
app = Flask(name)
@app.route(‘/predict’, methods=[‘POST’])
def predict():
data = request.json
prediction = model.predict([data[‘features’]])
return jsonify({‘prediction’: prediction.tolist()})
if name == ‘main‘:
app.run(debug=True)
Herokuஇல் பயன்படுத்தல்
Herokuஇல் CLI ஐ நிறுவி உள்நுழைவுசெய்திடுக.
நம்முடைய செயல்திட்டக் கோப்புறையில் Git ஐ துவக்கிடுக:
git init
heroku create
Herokuஇல் குறிமுறைவரிகளைச் சேர்த்திடுக, உறுதியளித்திடுக தள்ளிவிடுக:
git add .
git commit -m “Initial commit”
git push heroku main
வழங்கப்பட்ட Heroku URL இல் நம்முடைய API ஐ அணுகிடுக.
6. முடிவாக
இயந்திர கற்றல் மாதிரிகளைப் பயன்படுத்துவதில் பயிற்சி பெற்ற மாதிரியைச் சேமிப்பது, ஒரு API ஐ உருவாக்குவது உற்பத்தி பணிச்சுமைகளைக் கையாளக்கூடிய ஒரு தளத்தில் அதை புரவலராக செய்வது ஆகியவை அடங்கும். Flask, FastAPI அல்லது மேககணினி சேவையைப் பயன்படுத்தினாலும், மாதிரியைப் பயன்படுத்துவது நடப்பு உலக பயன்பாடுகளுக்கான கதவுகளைத் திறக்கிறது.
தொடரும்