add --root-path when serving the api locally

InseeFrLab · Dec 15, 2023 · 6fa7272 · 6fa7272
1 parent de334bb
commit 6fa7272
Show file tree

Hide file tree

Showing 3 changed files with 12 additions and 8 deletions.
diff --git a/slides/fr/applications/_application0.qmd b/slides/fr/applications/_application0.qmd
@@ -8,8 +8,8 @@
 :::::{.nonincremental}
 1. Créez un compte sur le [SSP Cloud](https://datalab.sspcloud.fr/home) en utilisant votre adresse e-mail professionnelle.
 2. Lancez un service `MLflow` en cliquant sur [cette URL](https://datalab.sspcloud.fr/launcher/automation/mlflow?autoLaunch=true).
-3. Lancez un service `VSCode-python` en cliquant sur [cette URL](https://datalab.sspcloud.fr/launcher/ide/vscode-python?autoLaunch=true&init.personalInit=%C2%ABhttps%3A%2F%2Fraw.githubusercontent.com%2FInseeFrLab%2Fformation-mlops%2Fmain%2Finit.sh%C2%BB).
-4. Ouvrez le service `VSCode-python` et saisissez le mot de passe du service.
+3. Lancez un service `vscode-python` en cliquant sur [cette URL](https://datalab.sspcloud.fr/launcher/ide/vscode-python?autoLaunch=true&init.personalInit=«https%3A%2F%2Fraw.githubusercontent.com%2FInseeFrLab%2Fformation-mlops%2Fmain%2Finit.sh»&networking.user.enabled=true).
+4. Ouvrez le service `vscode-python` et saisissez le mot de passe du service.
 5. Vous êtes prêt !
 :::::
 ::::

diff --git a/slides/fr/applications/_application3.qmd b/slides/fr/applications/_application3.qmd
@@ -10,7 +10,7 @@
 ```shell
 export MLFLOW_MODEL_NAME="fasttext"
 export MLFLOW_MODEL_VERSION=1
-uvicorn app.main:app
+uvicorn app.main:app --root-path /proxy/8000
 ```
 
 3. Ouvrez la page de l'API à l'aide du bouton proposé par `VSCode`.

diff --git a/slides/fr/index.qmd b/slides/fr/index.qmd
@@ -355,12 +355,12 @@ ojs_define(data_raw = df, data_prepro = df_prepro)
 
 # :three: Servir un modèle de ML à des utilisateurs
 
-## Mise en service du modèle
+## Questions essentielles
 
 - Une fois qu'un modèle de machine learning a été développé, il doit [**servir**]{.orange} ses utilisateurs finaux.
   - Quel [**format pertinent**]{.blue2} pour rendre accessible aux [**utilisateurs finaux**]{.blue2} ?
   - [**Traitement par lots**]{.blue2} (*batch*) par rapport au [**traitement en ligne**]{.blue2} (*online*)
-  - Quelle infrastructure pour le de [**déploiement**]{.blue2} ?
+  - Quelle infrastructure pour le [**déploiement**]{.blue2} ?
 
 ## Configuration envisagée
 
@@ -380,7 +380,7 @@ ojs_define(data_raw = df, data_prepro = df_prepro)
 
 - [**Simplicité**]{.orange} : porte d'entrée unique qui cache la complexité sous-jacente du modèle
 
-- [**Standardisation**]{.orange} : requêtes HTTP, agnostiques au langage de programmation utilisé
+- [**Standardisation**]{.orange} : requêtes HTTP -> agnostique au langage de programmation utilisé
 
 - [**Passage à l'échelle**]{.orange} : adaptation à la charge de requêtes concurrentes
 
@@ -392,9 +392,13 @@ ojs_define(data_raw = df, data_prepro = df_prepro)
 
 ## Exécuter une API dans un conteneur
 
-- [**Conteneur**]{.orange} : environnement [**autonome**]{.blue2} et [**isolé**]{.blue2} qui encapsule le modèle, ses dépendances et le code de l'API
+- [**Conteneur**]{.orange} : environnement [**autonome**]{.blue2} et [**isolé**]{.blue2} qui encapsule le modèle, l'API et leurs dépendances
 
-- [**Avantages**]{.orange} :  [**portabilité**]{.orange} et [**scalabilité**]{.orange} pour distribuer le modèle de manière efficace
+- [**Avantages**]{.orange} :  
+  - [**Portabilité**]{.blue2}
+  - [**Scalabilité**]{.blue2} pour distribuer le modèle de manière efficace
+
+- [**Pré-requis technique**]{.orange} pour déployer sur `Kubernetes`
 
 ## Déploiement d'une API sur `Kubernetes`