Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je dockeriserai votre application ML ou LLM avec un endpoint FastAPI
Ingénieur MLOps
Je suis ingénieur MLOps avec plus de 4 ans d’expérience dans la création de systèmes ML prêts pour la production sur AWS et Azure. Je me spécialise dans les pipelines ML, le déploiement, CI/CD, la sur...
À propos de ce service
Je vais containeriser votre modèle ML ou application LLM avec Docker et créer un endpoint FastAPI prêt pour la production.
Avant de déployer un modèle ML en production, il doit être containerisé. Je prends votre code Python et le transforme en une image Docker prête pour la production avec une API REST propre.
Je suis ingénieur MLOps avec plus de 4 ans d’expérience dans le déploiement de systèmes ML. J’ai construit des pipelines traitant 2TB/jour et déployé des applications LLM servant des milliers d’utilisateurs.
Ce que je fournis
Image Docker
- Dockerfile multi-étapes optimisé pour une taille d’image minimale
- Gestion appropriée des dépendances (requirements.txt ou pyproject.toml)
- Configuration prête pour la production
API REST FastAPI
- Endpoints clairs et documentés
- Endpoint de vérification de l’état (/health)
- Validation des entrées avec Pydantic models
- Gestion correcte des erreurs
- Support asynchrone pour une haute concurrence
Configuration de tests locaux
- Fichier docker-compose pour des tests locaux faciles
- Exemples de requêtes API (commandes curl)
- Configuration des variables d’environnement
Documentation
- Comment construire et exécuter le container
- Documentation des endpoints API avec exemples
- Guide de configuration pour les variables d’environnement
Technologies utilisées
ComposantTechnologieConteneurisationDockerAPI FrameworkFastAPI (Python)Serveur WebGunicorn + Uvicorn
Outils:
Kubernetes
•
Docker
•
Amazon EKS
Frameworks:
Terraform
•
Ansible
Langage de programmation:
Bash
•
Python
Expertise:
Débogage
•
Développement
•
Configuration
Autres services de Ingénierie DevOps I Offre
FAQ
Traduction automatique
Q : Que faire si mon modèle est dans un notebook Jupyter ?
R : Je peux convertir votre notebook en script Python puis le containeriser. Partagez simplement le notebook.
Q : Dois-je fournir mon fichier de modèle ?
R : Oui — j’aurai besoin de votre fichier de modèle entraîné (.pkl, .joblib, .pt, .h5) ou d’un accès à votre dépôt de code.
Q : Pouvez-vous travailler avec des modèles TensorFlow/PyTorch ?
R : Oui — je peux containeriser n’importe quel framework ML basé sur Python.
Q : Que faire si je n’ai pas encore de modèle entraîné ?
R : Ce service concerne uniquement la containerisation. Si vous avez besoin d’aide pour l’entraînement du modèle, contactez-moi pour discuter d’un devis personnalisé.
Q : L’API sera-t-elle rapide ?
R : Oui — j’utilise FastAPI avec Gunicorn + Uvicorn pour des performances de niveau production. Pour le package Premium, je peux ajouter des tests de charge pour valider la performance.
Q : Proposez-vous un déploiement Kubernetes après ?
R : Oui — j’ai un service séparé pour le déploiement Kubernetes. Contactez-moi pour une réduction sur le bundle.
