Встречается на собеседованиях • сегодня

Как модель выпускалась в production в рабочем ML-проекте

В моем последнем проекте модель развертывалась через Docker + FastAPI на Kubernetes-кластере. Ключевые этапы:

  1. Подготовка модели:
python
import pickle
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)
  1. Создание API:
python
from fastapi import FastAPI
app = FastAPI()

@app.post("/predict")
async def predict(data: InputSchema):
prediction = model.predict([data.features])
return {"prediction": prediction.tolist()}

text

3. **Docker-образ** с учетом всех зависимостей

4. **CI/CD пайплайн**:
- Тестирование модели на валидационных данных
- Сборка и push образа в registry
- Blue-green деплой в Kubernetes с мониторингом через Prometheus

Для отката использовались A/B-тесты и канареечные релизы. Логирование предсказаний и фичей в Elasticsearch для последующего анализа дрифта.
Sophi
Софи собрала все вопросы. Тренируйся и получай
офферы быстрее!
Попробовать бесплатноArrow

Следующий вопрос

Это единственный вопрос по вашему фильтру

как отвечать на вопрос
пример собеседования
фреймворки на собеседовании
типичные вопросы junior
интервью вопросы и ответы