A solução foi implantada em uma máquina virtual na Azure, utilizando o framework Python FastAPI para disponibilizar o modelo de aprendizado de máquina baseado em rede neural, desenvolvido com TensorFlow. A arquitetura do sistema foi organizada de forma a permitir que a API fosse acessada externamente, executando previsões de acordo com as entradas enviadas pelos usuários.
A máquina virtual foi configurada na plataforma Azure, com a instalação do sistema operacional Ubuntu. Durante a configuração, foram alocados recursos suficientes para garantir que o sistema pudesse rodar de forma eficiente, incluindo CPU, memória e armazenamento adequados para o tamanho do modelo e do conjunto de dados.
O modelo de rede neural foi treinado previamente e salvo como um arquivo .keras. Ele foi carregado utilizando a função load_model do TensorFlow. Da mesma forma, os objetos de escalamento dos dados (X_scaler e y_scaler) foram carregados utilizando a biblioteca Joblib.
Foi desenvolvido um endpoint POST em /prever que recebe os dados de entrada, processa os valores utilizando os escaladores e faz a previsão com o modelo carregado. A resposta é enviada de volta para o cliente com o valor da previsão.
A API foi exposta para a internet utilizando a configuração de Firewall e Segurança da Azure, permitindo acesso remoto através de um IP público. A API foi executada utilizando o Uvicorn, servidor de aplicação que roda a aplicação FastAPI.
Após a implantação, foi realizado um conjunto de testes para garantir que a aplicação estava funcionando conforme esperado.
Foram enviadas múltiplas requisições via curl para verificar a consistência e a velocidade das respostas da API. A resposta para dados de entrada válidos foi gerada dentro de um tempo aceitável, confirmando que a API estava funcionando corretamente.
Foi realizada uma simulação de carga com a biblioteca Python Locust para verificar o comportamento da API sob alta carga de requisições. O sistema conseguiu lidar com múltiplas requisições simultâneas sem falhas, e o tempo de resposta permaneceu dentro de limites aceitáveis.
Também foram realizados testes de robustez para verificar o comportamento do sistema em condições de falha, como dados de entrada inválidos ou problemas de rede. O sistema foi configurado para retornar mensagens de erro apropriadas quando as entradas não estivessem de acordo com o formato esperado.
O front-end foi desenvolvido para criar uma interface simples que permita ao usuário fornecer dados de entrada e visualizar os resultados de previsão fornecidos pela API. A interface foi projetada com HTML, CSS e JavaScript puro, com foco na simplicidade e responsividade.
Link do deploy do front-end: https://cinematicos-452aa.web.app/
-
Entrada de Dados: Campos para fornecer informações como orçamento, popularidade, receita, número de votos e gêneros de filmes. Suporte para seleção múltipla no campo de gêneros.
-
Integração com a API: O front-end consome a API via requisição HTTP POST. Os dados fornecidos são enviados em formato JSON e o resultado da previsão é exibido na tela.
-
Exibição de Resultados: A interface exibe o valor de predição retornado pela API diretamente abaixo do formulário.
- HTML: Define a estrutura da interface.
- CSS: Proporciona um design limpo e responsivo, com cores suaves e layout ajustável.
- JavaScript: Gerencia a lógica da aplicação, como captura de eventos, envio de dados e exibição de resultados.
URL da API: http://40.78.23.140:8000/prever
O usuário preenche os campos disponíveis no formulário:
- Orçamento: 237000000
- Receita: 9691000000
- Popularidade: 250.082653
- Contagem de Votos: 9466
- Gêneros: Action, Adventure e Comedy.
Após clicar em "Gerar Predição", os dados são enviados para a API via POST, exibindo os valores da predição:
Valor da Predição: 7.5