Liegt ein Data-Science-Tool nur auf Ihrem Laptop, ist sein Nutzen auf Ihre Zeit und Ihre Fähigkeit beschränkt, die Ergebnisse zu erklären. Ein bereitgestelltes Tool ermöglicht es Geschäftspartnern, Kunden und Kollegen, dessen Prognosen und Empfehlungen direkt zu nutzen, ohne dass Sie als Vermittler dazwischenstehen.
Diese mehrteilige Serie führt vom Quellcode auf dem Laptop bis zur vollständigen CI/CD-Bereitstellung eines Optimierungstools. Dieser erste Artikel befasst sich mit dem klassischen Problem "Bei mir funktioniert es, aber bei dir nicht". Er behandelt das Klonen von Code aus GitHub, Python-virtuelle Umgebungen, Docker und Containerisierung und stellt das Beispieltool vor, das bereitgestellt wird.
Das Beispiel ist der Cutting Stock Planner, der das Zuschnittproblem für Materialbestände löst. Mithilfe linearer Programmierung und einer einfachen FastAPI-basierten Oberfläche erstellt er einen optimalen Schnittplan, der die Anzahl der zu kaufenden Materialstücke minimiert. Wenn Sie beispielsweise einen Stuhl aus 8-Fuß-Material mit mehreren benötigten Schnittlängen bauen möchten, geben Sie die Materiallänge und die Schnittliste ein, klicken auf Create Cut Plan und erhalten auf dem Bildschirm eine optimale Schnittaufteilung.
Die einfachste Möglichkeit, das Tool weiterzugeben, besteht darin, seinen Code über die Versionsverwaltung auf GitHub zu verteilen. Nutzer können das Repository klonen, in dessen Basisverzeichnis wechseln und einen uvicorn-Befehl ausführen, um die Oberfläche lokal zu starten. Für die gemeinsame Entwicklung funktioniert das gut, als Bereitstellungsmethode hat es jedoch erhebliche Nachteile. Der Großteil der Verantwortung und des Aufwands für die Bereitstellung liegt beim Nutzer, der Git installieren, das Repository klonen und die Umgebung korrekt einrichten muss, bevor das Tool läuft.
Quelle: Towards Data Science · Zusammengefasst von HeadlinesBriefing