MENU
生成AIとプロンプトの総合情報サイト

【０から学ぶAI】第235回：APIの作成と公開 〜モデルをAPIとして提供する方法を紹介

第8章
目次

前回のおさらいと今回のテーマ

こんにちは！前回は、FlaskによるWebアプリケーション化を学び、Flaskを使って学習済みモデルをWebアプリケーションに組み込む方法を解説しました。ユーザーがフォームからデータを入力し、予測結果をリアルタイムで確認できるシンプルなアプリを構築しましたね。

今回は、APIの作成と公開に焦点を当て、機械学習モデルをAPIとして提供する方法を紹介します。APIとして公開することで、他のシステムやアプリケーションと連携し、モデルの予測機能を多様な用途に活用できるようになります。この記事では、Flaskを使ったAPIの構築から、そのAPIをインターネット上に公開するまでの流れを解説します。

APIとは？

API（Application Programming Interface）は、アプリケーションと外部のシステムやサービスがデータをやり取りするためのインターフェースです。APIを使うことで、異なるアプリケーションが相互に通信し、機能を共有することができます。

例えば、機械学習モデルをAPIとして公開することで、以下のような用途に利用できます。

  • Webアプリケーション: APIを介してモデルの予測結果を取得し、Webアプリに表示。
  • モバイルアプリケーション: スマートフォンからデータを送信し、API経由で予測を取得。
  • 他のシステムとの連携: モデルの予測機能を他のソフトウェアと統合し、自動化されたワークフローを実現。

APIの作成と公開の基本的な流れ

今回は、Flaskを使って学習済みモデルをAPIとして構築し、ローカル環境での動作を確認した後、クラウドサービス（例：Heroku）を使ってインターネット上に公開するまでの手順を説明します。

1. 必要なライブラリのインストール

まず、FlaskとTensorFlow（またはKeras）をインストールします。これらのライブラリを使ってAPIを構築し、学習済みモデルを読み込みます。

pip install flask tensorflow

2. 学習済みモデルの準備

APIに組み込む学習済みモデルを準備します。以下は、シンプルな分類モデルの例です。

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np

# シンプルなモデルの定義
model = models.Sequential([
    layers.Dense(128, activation='relu', input_shape=(4,)),
    layers.Dense(64, activation='relu'),
    layers.Dense(3, activation='softmax')
])

# モデルのコンパイル
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# ダミーデータで訓練
x_train = np.random.rand(100, 4)
y_train = np.random.randint(3, size=100)
model.fit(x_train, y_train, epochs=10)

# モデルの保存
model.save('api_model.h5')

このモデルは、4つの特徴量から3つのクラスに分類するシンプルな分類モデルです。api_model.h5として保存し、APIで使用します。

3. Flaskを使ったAPIの構築

次に、Flaskを使って学習済みモデルをAPIとして提供します。app.pyというファイルを作成し、以下のコードを記述します。

from flask import Flask, request, jsonify
import tensorflow as tf
import numpy as np

# Flaskアプリケーションの初期化
app = Flask(__name__)

# 学習済みモデルの読み込み
model = tf.keras.models.load_model('api_model.h5')

# APIエンドポイントの定義
@app.route('/predict', methods=['POST'])
def predict():
    # クライアントからのJSONデータを受け取る
    data = request.get_json()
    input_data = np.array(data['input']).reshape(1, -1)

    # モデルに入力データを与えて予測
    prediction = model.predict(input_data)
    predicted_class = int(np.argmax(prediction))

    # 結果をJSON形式で返す
    return jsonify({'prediction': predicted_class})

# アプリケーションの実行
if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)
  • /predict: APIのエンドポイントを定義し、POSTリクエストを受け取ります。
  • request.get_json(): クライアントから送信されたJSONデータを取得し、モデルに入力します。
  • model.predict(): 学習済みモデルを使って予測を行い、結果をJSON形式で返します。

4. APIのテスト

APIを実行し、curlコマンドやPostmanなどのツールを使ってテストします。

python app.py

APIが起動したら、別のターミナルで以下のようにリクエストを送信します。

curl -X POST -H "Content-Type: application/json" -d '{"input": [0.1, 0.2, 0.3, 0.4]}' http://127.0.0.1:5000/predict
  • -X POST: POSTリクエストを送信します。
  • -H “Content-Type: application/json”: JSON形式のデータを指定します。
  • -d ‘{“input”: [0.1, 0.2, 0.3, 0.4]}’: 入力データとして4つの特徴量を送信します。

APIが正しく設定されていれば、予測結果がJSON形式で返されます。

5. APIの公開

ローカルでの動作が確認できたら、APIをインターネット上に公開する方法を説明します。ここでは、Herokuを使った公開方法を紹介します。

(1) Heroku CLIのインストール

Heroku CLIをインストールし、アカウントにログインします。

heroku login

(2) 必要なファイルの準備

Herokuにデプロイするために、以下のファイルを準備します。

  1. Procfile: Herokuにアプリケーションの起動方法を指定するファイル。
   web: python app.py
  1. requirements.txt: 必要なライブラリを指定するファイル。
   flask
   tensorflow
  1. runtime.txt: Pythonのバージョンを指定するファイル。
   python-3.9.12

(3) Herokuへのデプロイ

以下のコマンドでHerokuにアプリケーションをデプロイします。

# 新しいHerokuアプリの作成
heroku create your-app-name

# Gitリポジトリの初期化とコミット
git init
git add .
git commit -m "Initial commit"

# Herokuリモートリポジトリの追加
heroku git:remote -a your-app-name

# アプリケーションのデプロイ
git push heroku master

デプロイが完了したら、https://your-app-name.herokuapp.com/predictのようなURLでAPIにアクセスできます。

APIの作成と公開におけるベストプラクティス

  1. セキュリティの強化: APIに対する認証と認可を実装し、不正なアクセスから保護します。
  2. エラーハンドリング: 入力データが不正な場合やモデルの予測中にエラーが発生した場合に、適切なエラーメッセージを返すようにします。
  3. APIのスケーリング: HerokuやAWS、GCPなどのクラウドサービスを使って、アクセス量に応じてAPIを自動スケーリングする設定を行います。
  4. キャッシュの導入: APIのレスポンスをキャッシュすることで、同じリクエストに対する応答速度を向上させ、サーバーの負荷を軽減します。

まとめ

今回は、APIの作成と公開について、Flaskを使って学習済みモデルをAPI化し、そのAPIをHerokuを使ってインターネット上に公開する方法を解説しました。APIを通じ

て機械学習モデルを提供することで、他のシステムやアプリケーションと統合し、リアルタイムで予測機能を活用できます。これを基礎として、さらに複雑なシステムやWebアプリケーションの構築に挑戦してみてください。

次回予告

次回は、クラウド環境でのモデル実行として、AWSやGCPを使ったモデルの運用方法を解説します。クラウド環境でのスケーラブルなモデル運用に挑戦しましょう！

注釈

  • Heroku: PythonやNode.jsなどのアプリケーションをクラウドでホスティングできるPaaS（Platform as a Service）。
  • Procfile: Herokuでアプリケーションを起動するための設定ファイル。
第8章
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！

この記事を書いた人

株式会社PROMPTのアバター 株式会社PROMPT

株式会社PROMPTは生成AIに関する様々な情報を発信しています。
記事にしてほしいテーマや調べてほしいテーマがあればお問合せフォームからご連絡ください。
---
PROMPT Inc. provides a variety of information related to generative AI.
If there is a topic you would like us to write an article about or research, please contact us using the inquiry form.

コメント

コメントする

目次