FastAPI는 Python에서 빠르게 API를 개발할 수 있는 고성능 웹 프레임워크입니다. 이번 포스트에서는 FastAPI를 사용하여 머신러닝 모델을 서빙하는 방법에 대해 알아보겠습니다.

1. FastAPI 설치

FastAPI를 사용하기 위해 먼저 FastAPI를 설치해야 합니다. 아래의 커맨드를 실행하여 FastAPI를 설치합니다.

pip install fastapi

2. 머신러닝 모델 준비

FastAPI에서 머신러닝 모델을 서빙하기 위해서는 먼저 머신러닝 모델을 준비해야 합니다. 예를 들어, scikit-learn을 사용하여 작성된 분류 모델을 사용해보겠습니다.

import joblib

model = joblib.load('model.pkl')

위의 코드는 model.pkl 파일에서 미리 학습된 모델을 로드하는 예시입니다.

3. FastAPI 앱 생성

FastAPI 앱을 생성하기 위해 다음과 같이 코드를 작성합니다.

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def root():
    return {"message": "Hello, FastAPI!"}

위 코드는 / 엔드포인트에 접속하면 “Hello, FastAPI!” 메세지를 반환하는 간단한 앱입니다.

4. 머신러닝 모델 서빙하기

FastAPI 앱에서 머신러닝 모델을 서빙하기 위해 다음과 같이 코드를 작성합니다.

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def root():
    return {"message": "Hello, FastAPI!"}

@app.post("/predict")
def predict(data: dict):
    features = data['features']
    prediction = model.predict([features])
    return {"prediction": prediction[0]}

위의 코드는 /predict 엔드포인트에 POST 요청을 보내면 입력 데이터의 특성을 모델에 입력하여 예측 결과를 반환하는 앱입니다.

5. FastAPI 서버 실행

FastAPI 서버를 실행하기 위해 다음과 같이 코드를 작성합니다.

from fastapi import FastAPI

app = FastAPI()

# 머신러닝 모델 로드 및 서빙 코드 생략

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

위의 코드에서 uvicorn은 FastAPI 서버를 실행하는 도구입니다. uvicorn을 사용하여 서버를 실행하면 머신러닝 모델을 서빙할 수 있습니다.

결론

FastAPI를 사용하여 머신러닝 모델을 서빙하는 방법에 대해 알아보았습니다. FastAPI는 간편하게 API를 개발할 수 있으면서도 높은 성능을 제공하는 웹 프레임워크로, 머신러닝 모델 서빙에도 매우 유용하게 사용될 수 있습니다.

참고: FastAPI 공식 문서