TP3 Parties 2-4 : API REST FastAPI (health, predict, batch, erreurs 404)

lab/serving/registry.py

@@ -0,0 +1,43 @@
+"""Chargement du modele promu depuis le MLflow Model Registry (par alias)."""
+
+import logging
+from dataclasses import dataclass
+
+import mlflow
+import pandas as pd
+
+from .. import constants
+
+logger = logging.getLogger(__name__)
+
+
+@dataclass
+class LoadedModel:
+    """Modele charge + metadonnees de version, garde en memoire par l'API."""
+
+    model: mlflow.pyfunc.PyFuncModel
+    name: str
+    version: str
+
+    def predict_one(self, features: dict[str, float]) -> float:
+        """Prediction pour un jeu de features (1 ligne)."""
+        frame = pd.DataFrame([features], columns=constants.SERVING_FEATURES)
+        return float(self.model.predict(frame)[0])
+
+
+def load_champion() -> LoadedModel:
+    """Charger la version pointee par l'alias `MODEL_ALIAS` du modele enregistre.
+
+    On identifie le modele par `models:/<nom>@<alias>` : le meme code sert n'importe
+    quelle version promue, sans redeploiement, en changeant seulement l'alias cote MLflow.
+    """
+    name = constants.REGISTERED_MODEL_NAME
+    alias = constants.MODEL_ALIAS
+    uri = f"models:/{name}@{alias}"
+    logger.info(f"Chargement du modele {uri}")
+
+    client = mlflow.MlflowClient()
+    version = client.get_model_version_by_alias(name=name, alias=alias)
+    model = mlflow.pyfunc.load_model(uri)
+    logger.info(f"Modele charge : {name} v{version.version}")
+    return LoadedModel(model=model, name=name, version=str(version.version))