تحليل المشاعر في YouTube وReddit
خطّ MLOps متكامل يقيس المشاعر العامة ويقدّم التنبؤات لإضافة Chrome. كان تركيزي على واجهة الاستدلال بإطار Flask التي تضع النموذج في الإنتاج.
المشكلة
النموذج المُدرَّب لا يكون مفيدًا إلا حين يصبح قابلًا لإعادة الإنتاج ومُؤرشفًا ويمكن الوصول إليه من منتج حقيقي. احتاج المشروع إلى خطٍّ متتبَّع للتجارب وطبقة تقديمٍ يمكن لإضافة المتصفّح الاستعلام منها عن تنبؤات ورسوم حيّة.
المعالجة
ضمن فريق من أربعة أفراد، بنينا خطًّا متتبَّعًا باستخدام DVC لإصدار البيانات وMLflow للتجارب، يعمل على AWS EC2 مع تخزين النواتج في S3، ونموذج TF-IDF مع LightGBM بدقّة نحو 70%. وبنيتُ واجهة الاستدلال REST بإطار Flask — نحو 329 سطرًا — التي تُحمّل النموذج المُسجَّل من سجلّ MLflow وتقدّم التنبؤات وبيانات الرسوم لإضافة Chrome.
دوري
صمّمتُ ونفّذتُ واجهة الاستدلال ومسار تحميل النموذج من سجلّ MLflow — وهي الجسر بين النموذج المُدرَّب والإضافة.