部署 ML 模型服務

詳見 Extended Examples 全備之配置文件與模板。

部署機器學習模型至產，具可擴展服務設施、監視、A/B 測試。

用時

• 部已訓模型供產之實時推理
• 為模型預測立 REST 或 gRPC 之 API
• 為變載行自動擴縮
• 行模型版本間之 A/B 測
• 由批量轉實時推理
• 建低延時預測之服
• 理產中之多模型版本

入

• 必要：MLflow 模型冊中已冊者，或已訓模型產物
• 必要：Kubernetes 集群或容器編排平臺
• 必要：擇服務框架（MLflow、BentoML、Seldon Core、TorchServe）
• 可選：深度學習之 GPU
• 可選：監視設施（Prometheus、Grafana）
• 可選：負載均衡與入口控制

法

第一步：以 MLflow 模型服務部署

用 MLflow 內建服務，速部 scikit-learn、PyTorch、TensorFlow 模型。

# Serve model locally for testing
mlflow models serve \
  --model-uri models:/customer-churn-classifier/Production \
  --port 5001 \
  --host 0.0.0.0

# Test endpoint
curl -X POST http://localhost:5001/invocations \
  -H 'Content-Type: application/json' \
  -d '{
    "dataframe_records": [
      {"feature1": 1.0, "feature2": 2.0, "feature3": 3.0}
    ]
  }'

Docker 部署：

# Dockerfile.mlflow-serving
FROM python:3.9-slim

# Install MLflow and dependencies
RUN pip install mlflow boto3 scikit-learn

# Set environment variables
ENV MLFLOW_TRACKING_URI=http://mlflow-server:5000
# ... (see EXAMPLES.md for complete implementation)

Docker Compose 供本地測：

# docker-compose.mlflow-serving.yml
version: '3.8'

services:
  model-server:
    build:
      context: .
      dockerfile: Dockerfile.mlflow-serving
# ... (see EXAMPLES.md for complete implementation)

測部署：

# test_mlflow_serving.py
import requests
import json

def test_prediction():
    url = "http://localhost:8080/invocations"

    # Prepare input data
# ... (see EXAMPLES.md for complete implementation)

得： 模型服務成啟，應 HTTP POST 請求，返 JSON 預測，Docker 容器無錯行。

敗則： 察模型 URI 有效（mlflow models list）；驗 MLflow 跟蹤服可達；確容器內所有模型依賴已裝；察端口可用（netstat -tulpn | grep 8080）；驗模型 flavor 兼容；察容器日誌（docker logs <container-id>）。

第二步：以 BentoML 部產規模

用 BentoML 以求更佳性能與特性。

# bentoml_service.py
import bentoml
from bentoml.io import JSON, NumpyNdarray
import numpy as np
import pandas as pd

# Load model from MLflow
import mlflow
# ... (see EXAMPLES.md for complete implementation)

建並容器化：

# Build Bento
bentoml build

# Containerize
bentoml containerize customer_churn_classifier:latest \
  --image-tag customer-churn:v1.0

# Run container
docker run -p 3000:3000 customer-churn:v1.0

BentoML 配置：

# bentofile.yaml
service: "bentoml_service:ChurnPredictionService"
include:
  - "bentoml_service.py"
  - "preprocessing.py"
python:
  packages:
    - scikit-learn==1.0.2
    - pandas==1.4.0
    - numpy==1.22.0
    - mlflow==2.0.1
docker:
  distro: debian
  python_version: "3.9"
  cuda_version: null  # Set to "11.6" for GPU support

Kubernetes 部署：

# k8s/deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: churn-prediction
  labels:
    app: churn-prediction
spec:
# ... (see EXAMPLES.md for complete implementation)

部至 Kubernetes：

# Apply Kubernetes manifests
kubectl apply -f k8s/deployment.yaml

# Check deployment status
kubectl get deployments
kubectl get pods
kubectl get services

# Test endpoint
EXTERNAL_IP=$(kubectl get svc churn-prediction-service -o jsonpath='{.status.loadBalancer.ingress[0].ip}')
curl -X POST http://$EXTERNAL_IP/predict \
  -H 'Content-Type: application/json' \
  -d '{"instances": [{"tenure": 12, "monthly_charges": 70.35}]}'

得： BentoML 服務成建；容器行且出預測；Kubernetes 部署建三副本；負載均衡曝外端；健檢皆過。

敗則： 驗 BentoML 已裝（bentoml --version）；察 BentoML 庫中模型存（bentoml models list）；確 Docker 守護行；驗 Kubernetes 集群可訪（kubectl cluster-info）；察資源限未超；察 pod 日誌（kubectl logs <pod-name>）；驗服務選擇器合 pod 標籤。

第三步：以 Seldon Core 行進階特性

用 Seldon Core 以行多模型服、A/B 測、可釋性。

# seldon_wrapper.py
import logging
from typing import Dict, List, Union
import numpy as np
import mlflow

logger = logging.getLogger(__name__)

# ... (see EXAMPLES.md for complete implementation)

Seldon 部署配置：

# seldon-deployment.yaml
apiVersion: machinelearning.seldon.io/v1
kind: SeldonDeployment
metadata:
  name: churn-classifier
  namespace: seldon
spec:
  name: churn-classifier
# ... (see EXAMPLES.md for complete implementation)

A/B 測配置：

# seldon-ab-test.yaml
apiVersion: machinelearning.seldon.io/v1
kind: SeldonDeployment
metadata:
  name: churn-classifier-ab
spec:
  name: churn-classifier-ab
  predictors:
# ... (see EXAMPLES.md for complete implementation)

部至 Kubernetes：

# Install Seldon Core operator
kubectl create namespace seldon-system
helm install seldon-core seldon-core-operator \
  --repo https://storage.googleapis.com/seldon-charts \
  --namespace seldon-system \
  --set usageMetrics.enabled=true

# Create namespace for models
# ... (see EXAMPLES.md for complete implementation)

得： Seldon Core 操作者成裝；模型部署建 pod；REST 端應預測；A/B 測正分流量；Seldon 析錄度。

敗則： 驗 Seldon Core 操作者行（kubectl get pods -n seldon-system）；察 SeldonDeployment 狀（kubectl describe seldondeployment）；確集群可訪鏡像庫；驗模型 URI 解；察 Seldon 操作者之 RBAC；察模型容器日誌。

第四步：行監視與可觀測

為模型服設施加全面監視。

# monitoring.py
from prometheus_client import Counter, Histogram, Gauge, start_http_server
import time
import logging

logger = logging.getLogger(__name__)

# Prometheus metrics
# ... (see EXAMPLES.md for complete implementation)

Prometheus 配置：

# prometheus-config.yaml
global:
  scrape_interval: 15s
  evaluation_interval: 15s

scrape_configs:
  - job_name: 'model-serving'
    kubernetes_sd_configs:
# ... (see EXAMPLES.md for complete implementation)

Grafana 儀表盤 JSON：

{
  "dashboard": {
    "title": "ML Model Serving Metrics",
    "panels": [
      {
        "title": "Predictions Per Second",
        "targets": [
          {
# ... (see EXAMPLES.md for complete implementation)

得： Prometheus 成抓度；Grafana 儀表盤實時示吞吐、延時百分位、錯率、活請求。

敗則： 驗 Prometheus 抓目 UP（http://prometheus:9090/targets）；察 metrics 端可達（curl http://model-pod:8000/metrics）；確 Kubernetes 服發現已配；驗 Grafana 數據源連；察度端口之防火牆律。

第五步：行自動擴縮

依請求載配水平 pod 擴縮。

# hpa.yaml
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: churn-prediction-hpa
  namespace: seldon
spec:
  scaleTargetRef:
# ... (see EXAMPLES.md for complete implementation)

施擴縮：

# Enable metrics server (if not already installed)
kubectl apply -f https://github.com/kubernetes-sigs/metrics-server/releases/latest/download/components.yaml

# Apply HPA
kubectl apply -f hpa.yaml

# Check HPA status
kubectl get hpa -n seldon
kubectl describe hpa churn-prediction-hpa -n seldon

# Load test to trigger scaling
kubectl run -it --rm load-generator --image=busybox --restart=Never -- /bin/sh -c "while sleep 0.01; do wget -q -O- http://churn-prediction-service/predict; done"

# Watch scaling
kubectl get hpa -n seldon --watch

得： HPA 察 CPU/內存/自定度；載高則擴副本；穩期後縮；最小最大副本限受守。

敗則： 驗 metrics-server 行（kubectl get deployment metrics-server -n kube-system）；察 pod 資源請求已定（HPA 需之）；若用自定度，確之可得；驗 HPA 控制者之 RBAC；察穩窗非過嚴。

第六步：行金絲雀部署策略

漸出新模型版本，轉移流量。

# canary-deployment.yaml
apiVersion: machinelearning.seldon.io/v1
kind: SeldonDeployment
metadata:
  name: churn-classifier-canary
spec:
  name: churn-classifier-canary
  predictors:
# ... (see EXAMPLES.md for complete implementation)

漸出腳本：

# canary_rollout.py
import time
import subprocess
import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# ... (see EXAMPLES.md for complete implementation)

得： 金絲雀部署由 0% 流量始；流量漸移；各段健檢過；若度劣則觸回滾；諸段成後全出。

敗則： 驗 Seldon 部署有多預測者；察流量百分和為 100；確金絲雀鏡存可取；驗健檢有 Prometheus 度；察回滾邏輯行之正；察二版 pod 日誌。

驗

• 模型服應預測請求
• REST/gRPC 端可用且已文
• Docker 容器成建且行
• Kubernetes 部署生期副本
• 負載均衡曝外端
• 健檢（存/備）過
• Prometheus 度已出且抓
• Grafana 儀表盤示實時度
• 載下自動擴縮觸
• A/B 測正分流量
• 金絲雀部署漸出
• 金絲雀敗時回滾行

陷

• 冷啟延時：首請求因模型載而慢——用足延之備探，行模型緩
• 內存漏：久行服累內存——察內存，周期重啟，剖析碼
• 依賴衝：模型依賴與服框架不合——用鎖定版，於 Docker 中測後再部
• 資源限過低：pod OOMKilled 或 CPU 節——剖析資源，依載測定合限
• 缺健檢：Kubernetes 送流量至不健 pod——行適之存/備探
• 無回滾策：壞部署無可易回之法——用金絲雀，留前版可用
• 忽延時：唯聚焦精度不顧推理速——測延時，優化模型/碼，用批
• 單副本：無高可用，部署時停機——用 minimum 2 副本，配反親和
• 無監視：問題至客訴方現——首日即行全面度
• GPU 不用：有 GPU 而未用——設 CUDA 可見設備，驗 Kubernetes 中 GPU 分

Related Skills

• register-ml-model - 部前冊模型
• run-ab-test-models - 模型版本間之 A/B 測
• deploy-to-kubernetes - 通用 Kubernetes 部署模式
• monitor-ml-model-performance - 察模型漂移與衰
• orchestrate-ml-pipeline - 自動模型再訓與部