Dieses Projekt implementiert ein einfaches Flask API zur Triage von Textanfragen zu Digitec-Produkten basierend auf der Textlänge und der Anzahl Käufer des Produkts.
Das API hat zwei Modi: einen simplen Modus, der eine Klassifizierung anhand einer einfachen Regel zu Textlänge und Anzahl Käufer vornimmt, und einen Modell-basierten Modus, der ein Machine Learning-Modell benutzt, das mit Beispieldaten trainiert wurde. Entsprechend erwartet das API drei Felder:
text_len: die Länge der Textanfragebuyers: die Anzahl Kunden, die das Produkt bereits gekauft habentype: der Triage-Modus, der verwendet werden soll (simpleoderml)
Das API benötigt die Dependencies in requirements.txt:
pip install -r requirements.txt
Der Server wird dann wie folgt gestartet:
python api.py linear_regression_model.joblib
Das ML-Modell wird dem API als Parameter übergeben. Die Datei
linear_regression_model.joblib wird im Jupyter notebook ml_triage.ipynb
trainiert und erstellt. Ich habe mich hier aus Zeitgründen für ein einfaches
Linear Regression-Modell entschieden, auch wenn es für die Daten wohl nicht
optimal ist. Das API sollte aber auch ein anderes Modell laden können.
Daniels-MBP:~ daniel$ curl '127.0.0 .1:5000/api/v1/text-triage?text_len=100&buyers=50&type=simple'
1
Daniels-MBP:~ daniel$ curl '127.0.0 .1:5000/api/v1/text-triage?text_len=50&buyers=10&type=simple'
0
Daniels-MBP:~ daniel$ curl '127.0.0 .1:5000/api/v1/text-triage?text_len=51&buyers=10&type=simple'
1
Daniels-MBP:~ daniel$ curl '127.0.0 .1:5000/api/v1/text-triage?text_len=51&buyers=9&type=simple'
0
Daniels-MBP:~ daniel$ curl '127.0.0 .1:5000/api/v1/text-triage?text_len=150&buyers=50&type=ml'
0.577393
Daniels-MBP:~ daniel$ curl '127.0.0 .1:5000/api/v1/text-triage?text_len=40&buyers=8&type=ml'
0.480895
Die Teilaufgabe mit dem Dockerfile habe ich als letztes in Angriff genommen. Soweit ich es testen konnte, startet der Flask-Server im Container, jedoch habe ich keine Verbindung von aussen herstellen können.