À l'issue de ce TP, vous aurez découvert :

• Le registre de modèle de MLFlow
• Mettre en place des versions d'une route d'API

Présentation des nouveautés sur la branche de ce TP

Récupérer la branche du TP :

git checkout 7_start_tp_change_model

Les nouveautés sont :

• La route de predict est maintenant /v1/predict
• La route de predict requiert un query parameter model qui doit être soit production, soit staging.

Créer un modèle dans le registre

Jusqu'à maintenant, le code d'inférence chargeait un model sauvegardé localement, le code de chargement est le suivant :

try:
   model = mlflow.pyfunc.load_model(model_uri=f"models:/customer/{model}")
   logging.info('Successfully loaded model from MLflow')
   return model
except MlflowException:
   logging.info('Failed to load model from MLflow, loading default model')
   return joblib.load(MODEL_PATH)

Si le code ne parvient pas à charger le modèle, il charge le modèle local.

Nous allons configurer MLflow, pour qu'il puisse charge le modèle actuel :

1. Se rendre dans l'interface MLflow (à partir de la page d'accueil de jupyterhub)
2. Aller dans l'onglet Models
3. Cliquer sur Create Model
4. Donner le nom customer (ce nom correspond au nom utilisé dans le mlflow.pyfunc.load_model)
5. Cliquer sur create
6. Maintenant cliquer sur le modèle customer qui apparaît à l'écran.

Enregistrer un modèle entraîné

Le modèle étant vide, nous allons enregistrer le résultat du dernier entraînement comme modèle associé :

1. Aller dans l'onglet Experiments
2. Cliquer sur la dernière expérimentation (s'il n'y en a pas, lancer un train dans le Swagger)
3. Dans la section Artifacts, cliquer sur Register Model
4. Sélectionner dans le menu déroulant le modèle customer
5. Cliquer sur register
6. Retourner dans l'onglet Models et cliquer sur customer, apparaît alors une version du modèle :

Promouvoir le modèle en production

Maintenant qu'une version du modèle existe, nous allons le promouvoir en Production:

1. Cliquer sur la version 1
2. Dans stage cliquer sur le menu déroulant, choisir transition to Production
3. Cliquer sur ok

Nous avons alors un modèle en production, vérifions que cela fonctionne :

1. Réaliser une prédiction dans le Swagger
2. Aller regarder dans les logs que la log indique ‘Successfully loaded model from MLflow'

Rappel : pour les visualiser en flux, taper dans un terminal la commande :

tail -f /home/jovyan/api_logfile.log

Nous allons entraîner un nouveau modèle, puis le mettre en staging pour le valider.

1. Dans le Swagger lancer la route /train pour faire un entraînement
2. Dans l'interface MLflow, onglet Experiments trouver cette expérimentation, enregistrer le modèle sur customer
3. Dans l'interface Models promouvoir le nouveau modèle en staging
4. Dans le Swagger faire un appel à la route /predict avec pour modèle staging pour vérifier que le modèle est
   fonctionnel.

En attendant le reste du groupe, explorer comment réaliser un changement de contrat d'interface.

Constatant que la variable income est peu impactante, le métier nous demande de mettre à jour le modèle et l'API pour
ne plus utiliser cette variable.

1. Entraîner un modèle qui n'utilise plus la variable income
2. Développer une route d'api v2/predict qui n'accepte pas l'argument income
3. Récupérer le bon modèle pour faire la prédiction.

Les instructions du TP suivant sont ici