16 KiB

Raw Permalink Blame History

Construa um Aplicativo Web para Usar um Modelo de ML

Nesta lição, você irá treinar um modelo de ML em um conjunto de dados que é fora deste mundo: avistamentos de OVNIs ao longo do último século, obtidos do banco de dados do NUFORC.

Você aprenderá:

Como 'pickle' um modelo treinado
Como usar esse modelo em um aplicativo Flask

Continuaremos utilizando notebooks para limpar os dados e treinar nosso modelo, mas você pode levar o processo um passo adiante explorando o uso de um modelo "na prática", por assim dizer: em um aplicativo web.

Para fazer isso, você precisa construir um aplicativo web usando Flask.

Quiz pré-aula

Construindo um aplicativo

Existem várias maneiras de construir aplicativos web para consumir modelos de aprendizado de máquina. Sua arquitetura web pode influenciar a forma como seu modelo é treinado. Imagine que você está trabalhando em uma empresa onde o grupo de ciência de dados treinou um modelo que eles querem que você use em um aplicativo.

Considerações

Há muitas perguntas que você precisa fazer:

É um aplicativo web ou um aplicativo móvel? Se você está construindo um aplicativo móvel ou precisa usar o modelo em um contexto de IoT, você pode usar TensorFlow Lite e utilizar o modelo em um aplicativo Android ou iOS.
Onde o modelo ficará armazenado? Na nuvem ou localmente?
Suporte offline. O aplicativo precisa funcionar offline?
Qual tecnologia foi usada para treinar o modelo? A tecnologia escolhida pode influenciar as ferramentas que você precisa usar.
- Usando TensorFlow. Se você está treinando um modelo usando TensorFlow, por exemplo, esse ecossistema oferece a capacidade de converter um modelo TensorFlow para uso em um aplicativo web usando TensorFlow.js.
- Usando PyTorch. Se você está construindo um modelo usando uma biblioteca como PyTorch, você tem a opção de exportá-lo no formato ONNX (Open Neural Network Exchange) para uso em aplicativos web JavaScript que podem usar o Onnx Runtime. Essa opção será explorada em uma lição futura para um modelo treinado com Scikit-learn.
- Usando Lobe.ai ou Azure Custom Vision. Se você está usando um sistema de ML SaaS (Software como Serviço) como Lobe.ai ou Azure Custom Vision para treinar um modelo, esse tipo de software oferece maneiras de exportar o modelo para várias plataformas, incluindo a construção de uma API personalizada para ser consultada na nuvem pelo seu aplicativo online.

Você também tem a oportunidade de construir um aplicativo web Flask completo que seria capaz de treinar o modelo diretamente em um navegador web. Isso também pode ser feito usando TensorFlow.js em um contexto JavaScript.

Para nossos propósitos, já que estamos trabalhando com notebooks baseados em Python, vamos explorar os passos necessários para exportar um modelo treinado de um notebook para um formato legível por um aplicativo web construído em Python.

Ferramenta

Para esta tarefa, você precisa de duas ferramentas: Flask e Pickle, ambas executadas em Python.

✅ O que é Flask? Definido como um 'micro-framework' por seus criadores, Flask fornece os recursos básicos de frameworks web usando Python e um mecanismo de templates para construir páginas web. Confira este módulo de aprendizado para praticar a construção com Flask.

✅ O que é Pickle? Pickle 🥒 é um módulo Python que serializa e desserializa uma estrutura de objeto Python. Quando você 'pickle' um modelo, você serializa ou achata sua estrutura para uso na web. Cuidado: pickle não é intrinsecamente seguro, então tenha cuidado se for solicitado a 'despickle' um arquivo. Um arquivo pickled tem o sufixo .pkl.

Exercício - limpe seus dados

Nesta lição, você usará dados de 80.000 avistamentos de OVNIs, coletados pelo NUFORC (Centro Nacional de Relatórios de OVNIs). Esses dados têm algumas descrições interessantes de avistamentos de OVNIs, por exemplo:

Descrição longa de exemplo. "Um homem emerge de um feixe de luz que brilha em um campo gramado à noite e corre em direção ao estacionamento da Texas Instruments".
Descrição curta de exemplo. "as luzes nos perseguiram".

A planilha ufos.csv inclui colunas sobre a cidade, estado e país onde o avistamento ocorreu, o formato do objeto e sua latitude e longitude.

No notebook em branco incluído nesta lição:

Importe pandas, matplotlib e numpy como você fez em lições anteriores e importe a planilha de OVNIs. Você pode dar uma olhada em um conjunto de dados de amostra:
```
import pandas as pd
import numpy as np

ufos = pd.read_csv('./data/ufos.csv')
ufos.head()
```

Converta os dados de OVNIs para um pequeno dataframe com títulos novos. Verifique os valores únicos no campo Country.

ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})

ufos.Country.unique()

Agora, você pode reduzir a quantidade de dados com que precisamos lidar, descartando quaisquer valores nulos e importando apenas avistamentos entre 1-60 segundos:
```
ufos.dropna(inplace=True)

ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]

ufos.info()
```

Importe a biblioteca LabelEncoder do Scikit-learn para converter os valores de texto dos países em números:

✅ LabelEncoder codifica dados alfabeticamente

from sklearn.preprocessing import LabelEncoder

ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])

ufos.head()

Seus dados devem se parecer com isto:

	Seconds	Country	Latitude	Longitude
2	20.0	3		53.200000	-2.916667
3	20.0	4		28.978333	-96.645833
14	30.0	4		35.823889	-80.253611
23	60.0	4		45.582778	-122.352222
24	3.0		3		51.783333	-0.783333

Exercício - construa seu modelo

Agora você pode se preparar para treinar um modelo dividindo os dados em grupos de treinamento e teste.

Selecione as três características que você deseja treinar como seu vetor X, e o vetor y será o Country. Você quer ser capaz de inserir Seconds, Latitude e Longitude e obter um id de país como retorno.

from sklearn.model_selection import train_test_split

Selected_features = ['Seconds','Latitude','Longitude']

X = ufos[Selected_features]
y = ufos['Country']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

Treine seu modelo usando regressão logística:

from sklearn.metrics import accuracy_score, classification_report
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

print(classification_report(y_test, predictions))
print('Predicted labels: ', predictions)
print('Accuracy: ', accuracy_score(y_test, predictions))

A precisão não é ruim (cerca de 95%), o que não é surpreendente, já que Country e Latitude/Longitude estão correlacionados.

O modelo que você criou não é muito revolucionário, já que você deveria ser capaz de inferir um Country a partir de sua Latitude e Longitude, mas é um bom exercício para tentar treinar a partir de dados brutos que você limpou, exportou e depois usou esse modelo em um aplicativo web.

Exercício - 'pickle' seu modelo

Agora é hora de pickle seu modelo! Você pode fazer isso em algumas linhas de código. Uma vez que ele esteja pickled, carregue seu modelo pickled e teste-o contra um array de dados de amostra contendo valores para segundos, latitude e longitude.

import pickle
model_filename = 'ufo-model.pkl'
pickle.dump(model, open(model_filename,'wb'))

model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))

O modelo retorna '3', que é o código do país para o Reino Unido. Incrível! 👽

Exercício - construa um aplicativo Flask

Agora você pode construir um aplicativo Flask para chamar seu modelo e retornar resultados semelhantes, mas de uma maneira mais visualmente agradável.

Comece criando uma pasta chamada web-app ao lado do arquivo notebook.ipynb onde seu arquivo ufo-model.pkl está localizado.
Nessa pasta, crie mais três pastas: static, com uma pasta css dentro dela, e templates. Você deve ter os seguintes arquivos e diretórios:
```
web-app/
  static/
    css/
  templates/
notebook.ipynb
ufo-model.pkl
```
✅ Consulte a pasta de solução para ver o aplicativo finalizado
O primeiro arquivo a ser criado na pasta web-app é o arquivo requirements.txt. Como o package.json em um aplicativo JavaScript, este arquivo lista as dependências necessárias para o aplicativo. No requirements.txt adicione as linhas:
```
scikit-learn
pandas
numpy
flask
```
Agora, execute este arquivo navegando até web-app:
```
cd web-app
```
No seu terminal, digite pip install para instalar as bibliotecas listadas no requirements.txt:
```
pip install -r requirements.txt
```
Agora, você está pronto para criar mais três arquivos para finalizar o aplicativo:
1. Crie app.py na raiz.
2. Crie index.html no diretório templates.
3. Crie styles.css no diretório static/css.

Desenvolva o arquivo styles.css com alguns estilos:

body {
	width: 100%;
	height: 100%;
	font-family: 'Helvetica';
	background: black;
	color: #fff;
	text-align: center;
	letter-spacing: 1.4px;
	font-size: 30px;
}

input {
	min-width: 150px;
}

.grid {
	width: 300px;
	border: 1px solid #2d2d2d;
	display: grid;
	justify-content: center;
	margin: 20px auto;
}

.box {
	color: #fff;
	background: #2d2d2d;
	padding: 12px;
	display: inline-block;
}

Em seguida, desenvolva o arquivo index.html:

<!DOCTYPE html>
<html>
  <head>
    <meta charset="UTF-8">
    <title>🛸 UFO Appearance Prediction! 👽</title>
    <link rel="stylesheet" href="{{ url_for('static', filename='css/styles.css') }}">
  </head>

  <body>
    <div class="grid">

      <div class="box">

        <p>According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?</p>

        <form action="{{ url_for('predict')}}" method="post">
          <input type="number" name="seconds" placeholder="Seconds" required="required" min="0" max="60" />
          <input type="text" name="latitude" placeholder="Latitude" required="required" />
          <input type="text" name="longitude" placeholder="Longitude" required="required" />
          <button type="submit" class="btn">Predict country where the UFO is seen</button>
        </form>

        <p>{{ prediction_text }}</p>

      </div>

    </div>

  </body>
</html>

Observe o uso de templates neste arquivo. Note a sintaxe 'mustache' ao redor das variáveis que serão fornecidas pelo aplicativo, como o texto de previsão: {{}}. Há também um formulário que envia uma previsão para a rota /predict.

Finalmente, você está pronto para construir o arquivo Python que dirige o consumo do modelo e a exibição das previsões:

No app.py adicione:

import numpy as np
from flask import Flask, request, render_template
import pickle

app = Flask(__name__)

model = pickle.load(open("./ufo-model.pkl", "rb"))


@app.route("/")
def home():
    return render_template("index.html")


@app.route("/predict", methods=["POST"])
def predict():

    int_features = [int(x) for x in request.form.values()]
    final_features = [np.array(int_features)]
    prediction = model.predict(final_features)

    output = prediction[0]

    countries = ["Australia", "Canada", "Germany", "UK", "US"]

    return render_template(
        "index.html", prediction_text="Likely country: {}".format(countries[output])
    )


if __name__ == "__main__":
    app.run(debug=True)

💡 Dica: quando você adiciona debug=True ao executar o aplicativo web usando Flask, quaisquer alterações feitas no seu aplicativo serão refletidas imediatamente sem a necessidade de reiniciar o servidor. Atenção! Não habilite este modo em um aplicativo de produção.

Se você executar python app.py ou python3 app.py - seu servidor web será iniciado localmente, e você poderá preencher um formulário curto para obter uma resposta à sua pergunta sobre onde os OVNIs foram avistados!

Antes de fazer isso, dê uma olhada nas partes do app.py:

Primeiro, as dependências são carregadas e o aplicativo é iniciado.
Em seguida, o modelo é importado.
Depois, o index.html é renderizado na rota inicial.

Na rota /predict, várias coisas acontecem quando o formulário é enviado:

As variáveis do formulário são coletadas e convertidas em um array numpy. Elas são então enviadas ao modelo e uma previsão é retornada.
Os países que queremos exibir são re-renderizados como texto legível a partir de seu código de país previsto, e esse valor é enviado de volta ao index.html para ser renderizado no template.

Usar um modelo dessa forma, com Flask e um modelo pickled, é relativamente simples. O mais difícil é entender qual é o formato dos dados que devem ser enviados ao modelo para obter uma previsão. Isso depende de como o modelo foi treinado. Este modelo requer três pontos de dados para ser inserido e obter uma previsão.

Em um ambiente profissional, você pode ver como é importante ter uma boa comunicação entre as pessoas que treinam o modelo e aquelas que o consomem em um aplicativo web ou móvel. No nosso caso, é apenas uma pessoa: você!

🚀 Desafio

Em vez de trabalhar em um notebook e importar o modelo para o aplicativo Flask, você poderia treinar o modelo diretamente dentro do aplicativo Flask! Tente converter seu código Python no notebook, talvez após limpar seus dados, para treinar o modelo dentro do aplicativo em uma rota chamada train. Quais são os prós e contras de seguir esse método?

Quiz pós-aula

Revisão e Autoestudo

Existem muitas maneiras de construir um aplicativo web para consumir modelos de ML. Faça uma lista das maneiras que você poderia usar JavaScript ou Python para construir um aplicativo web que aproveite o aprendizado de máquina. Considere a arquitetura: o modelo deve permanecer no aplicativo ou viver na nuvem? Se for o último caso, como você o acessaria? Desenhe um modelo arquitetural para uma solução de ML aplicada em um aplicativo web.

Tarefa

Experimente um modelo diferente

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.

16 KiB Raw Permalink Blame History