0Pricing
MLOps Academy · Lezione

Servire il modello in Production

Carichi il modello promosso nel servizio FastAPI.

Servire il modello in Production è una lezione MLOps Academy gratuita su CoddyKit. Questa è la lezione 3 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento MLOps Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso MLOps Academy include 4 lezioni in totale.

Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.

From Registry to API

The promoted model is sitting in the registry. Now you load it into a FastAPI service so real requests can get predictions. 🌐

Reference It by Alias

Build a model URI that points at the champion alias. Your code never hardcodes a version, so promotions just work.

MODEL_URI = "models:/churn-classifier@champion"

Load the Model

Use mlflow.pyfunc.load_model to pull the production model down into memory as a callable Python object.

import mlflow.pyfunc

model = mlflow.pyfunc.load_model(MODEL_URI)

Load Once at Startup

Loading is slow, so do it once when the app boots, not per request. Use a FastAPI lifespan handler to load before traffic arrives.

from contextlib import asynccontextmanager

@asynccontextmanager
async def lifespan(app):
    app.state.model = mlflow.pyfunc.load_model(MODEL_URI)
    yield

Create the App

Wire the lifespan into your FastAPI instance. From here on, the loaded model lives on app.state and is shared by every request.

from fastapi import FastAPI

app = FastAPI(lifespan=lifespan)

Validate the Input

Define a Pydantic model for the request body so malformed input is rejected before it ever reaches the model.

from pydantic import BaseModel

class Features(BaseModel):
    tenure: int
    monthly_charges: float

Write the Predict Endpoint

Turn the validated input into a row and call the model. The predict method returns the prediction you send back as JSON.

@app.post("/predict")
def predict(f: Features):
    pred = app.state.model.predict([[f.tenure, f.monthly_charges]])
    return {"prediction": int(pred[0])}

Add a Health Check

A tiny /health route lets orchestrators know the service is up and the model finished loading before they route traffic.

@app.get("/health")
def health():
    return {"status": "ok"}

Run the Server

Launch with uvicorn and your model is live on HTTP. Any client that can POST JSON can now get predictions.

uvicorn serve:app --host 0.0.0.0 --port 8000

Quick Check

Why load the model in a lifespan handler instead of inside the predict function?

Updating the Live Model

To ship a new model, re-point the champion alias and restart the service. It loads the new version at startup automatically.

Same Model Everywhere

Because the service pulls from the registry, dev, staging, and prod can all load the exact same artifact by alias. No copy-paste of weights.

Recap: Serving the Production Model

You loaded the champion at startup, validated input, exposed /predict and /health, and ran it with uvicorn. Your model is now a live service. ✅

Domande Frequenti

La lezione «Servire il modello in Production» è gratuita?

Sì — il testo completo di «Servire il modello in Production» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso MLOps Academy, passa a CoddyKit PRO. Il corso MLOps Academy include 4 lezioni in totale.

Cosa imparerò in «Servire il modello in Production»?

Carichi il modello promosso nel servizio FastAPI. Eserciti MLOps Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.

Ho bisogno di esperienza per iniziare MLOps Academy?

Non è richiesta alcuna esperienza precedente. MLOps Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 3 di 4.

Quanto tempo richiede la lezione «Servire il modello in Production»?

La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.

Posso scrivere ed eseguire codice in questa lezione MLOps Academy?

Sì. Ogni lezione MLOps Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.

Tutte le lezioni di questo corso

  1. Addestrare e registrare nel registry
  2. Promuovere il modello migliore in Production
  3. Servire il modello in Production
  4. Tracciare un round trip di previsione
← Torna a MLOps Academy