Как происходила интеграция ML моделей с Backend частью на предыдущей работе

В проекте использовали FastAPI для создания REST API. Модели обучались отдельно (обычно в Jupyter Notebook), затем сохранялись в .pkl или .joblib файлы.

Пример интеграции:

from fastapi import FastAPI
import joblib
from pydantic import BaseModel

app = FastAPI()
model = joblib.load("model.pkl")

class InputData(BaseModel):
feature1: float
feature2: float

@app.post("/predict")
async def predict(data: InputData):
features = [[data.feature1, data.feature2]]
prediction = model.predict(features)[0]
return {"prediction": float(prediction)}

Ключевые моменты:  
- Модели загружались при старте сервера  
- Для тяжелых моделей использовали асинхронные эндпоинты  
- Добавляли кэширование предсказаний через Redis  
- Логировали запросы и предсказания для мониторинга дрифта  
- Для продакшена упаковывали в Docker с минимальным образом Python