如果数据科学工具只存在于你的笔记本电脑上,它的价值就受限于你的时间以及你向他人解释其输出结果的能力。部署后的工具可以让业务合作伙伴、客户和同事直接使用其预测和建议,无需你从中协助。
本系列文章为多部分系列,将介绍如何把笔记本电脑上的源代码一路推进到优化工具的完整 CI/CD 部署。第一篇文章将解决经典的“在我的电脑上能运行,在你的电脑上却不行”问题。内容包括从 GitHub 克隆代码、Python 虚拟环境、Docker 与容器化,并介绍即将部署的示例工具。
示例工具是切割库存规划器(Cutting Stock Planner),用于解决库存切割问题。它使用线性规划和一个基于 FastAPI 的简单用户界面,生成最优切割方案,使你需要购买的库存件数最少。例如,如果你要用 8 英尺长的库存材料制作一把椅子,并且需要若干指定长度的切段,你只需输入库存长度和切割清单,点击“创建切割方案”,屏幕上就会显示最优的切割布局。
分享该工具最简单的方式是通过 GitHub 的版本控制分发其代码。用户可以克隆代码仓库,进入其根目录,然后运行 uvicorn 命令在本地启动界面。这种方式适合协作开发,但作为部署方法存在明显缺陷。大部分部署责任和难度都落在用户身上:用户需要安装 Git、克隆代码仓库,并在工具能够运行之前正确配置环境。
来源: Towards Data Science · 由HeadlinesBriefing整理摘要