Flask конечная точка против конечной точки Sagemaker

Question

Я хочу создать простое веб-приложение, в котором человек мог бы ввести некоторые параметры автомобиля, а мой алгоритм машинного обучения мог бы предсказать цену автомобиля с учетом параметров. Я хочу изучить aws и поэтому хочу развернуть и разместить там все.

Проверяя веб-сайты и учебные пособия Я определил следующие шаги, которые мне нужно сделать:

1. Сбор данных, тренировка модели
2. Построение Flask API вокруг маринованной модели, чтобы служить предсказаниям
3. Создание прекрасного CSS / html front-end
4. Создание docker изображения
5. Pu sh docker изображения в AWS ECR-модель загрузки рекламы в S3
6. Конечная точка прогнозирования Creat Sagemaker
7. Создание конечной точки API с помощью Chalice

Что я не понимаю:

1. Зачем мне нужно создавать конечную точку Sagemaker (и конечную точку Chalice), если я уже есть конечная точка flask, которая будет предсказывать цену? Не могу ли я просто выделить экземпляр EC2, который вызовет конечную точку flask и даст прогноз?
2. Являются ли описанные мной шаги наиболее эффективным способом создания веб-приложения с моделью ML и развертывания его на AWS?

Буду рад узнать ваше мнение!

Answer 1

Очевидно, что есть много разных архитектур для достижения того, что вы пытаетесь сделать.

Вот одна из тех, которые мне помогли в достижении чего-то подобного:

1) Настройка AWS S3 / RDS для хранения / сбора данных и т. Д. c - вы можете использовать S3 для хранения данных для обучения, а также место, куда пользователи могут загружать данные из вашего веб-приложения. Вы можете использовать RDS для хранения любых метаданных и отслеживания всех ваших предметов в корзине S3.

2) Используйте Elasti c Beanstalk для размещения вашего веб-приложения. Я создал несколько Django приложений (вместо Flask) и смог легко интегрировать, развертывать и т. Д. c. приложения с Elasti c Beanstalk. Кроме того, Elasti c Beanstalk поставляется с набором функций, которые помогут вам легко управлять traffi c на вашем веб-сайте.

3) Используйте Sagemaker для развертывания ваших моделей. После развертывания вы можете довольно легко использовать Amazon SDK Boto3 для передачи данных между вашим веб-приложением и вашей моделью для прогнозов.

Общая идея состоит в том, чтобы разделить данные, веб-приложение и модели на отдельные части, чтобы можно было легко заменить одну часть вашей архитектуры на другую, если вы найдете лучшее решение, которое подходит.