মডেল ডিপ্লয়মেন্ট: ল্যাপটপ থেকে প্রোডাকশনে

· 2 min read · Syed Omar Faruk Towaha
মডেল ডিপ্লয়মেন্ট: ল্যাপটপ থেকে প্রোডাকশনে

প্রতিটা ডেটা সায়েন্স টিমে একটা পরিচিত দৃশ্য আছে। কেউ একজন গর্বের সাথে বলছে, "মডেল রেডি, ৯৫% অ্যাকুরেসি!" ম্যানেজার জিজ্ঞেস করছেন, "দারুণ, কাস্টমাররা কবে থেকে ব্যবহার করতে পারবে?" তারপর একটা লম্বা নীরবতা।

কারণ মডেলটা আছে chura_final_v3.ipynb নামের একটা নোটবুকে, যেটা চলে শুধু একজনের ল্যাপটপে, নির্দিষ্ট ক্রমে সেল চালালে।

Notebook to production
প্রতিটা ধাপ একটা নতুন ধরনের ঝুঁকি দূর করে।

ধাপ ১: নোটবুক থেকে পাইপলাইন

নোটবুকে ডেটা পরিষ্কার করার যত ধাপ ছিল, প্রতিটা অনুমানের সময়ও হুবহু একইভাবে হতে হবে। সবচেয়ে নিরাপদ উপায় হলো প্রস্তুতি আর মডেল একসাথে বাঁধা:

import joblib
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier

prep = ColumnTransformer([
    ("num", StandardScaler(), ["boyos", "mashik_ay"]),
    ("cat", OneHotEncoder(handle_unknown="ignore"), ["jela", "package"]),
])
model = Pipeline([("prep", prep), ("clf", RandomForestClassifier(random_state=0))])
model.fit(X_train, y_train)
joblib.dump(model, "churn-model-2025-07.joblib")

মডেলের ফাইলের নামে তারিখ বা ভার্সন রাখুন, আর লিখে রাখুন কোন ডেটা আর কোন কোড দিয়ে এটা বানানো।

ধাপ ২: API, সাথে ইনপুট যাচাই

from fastapi import FastAPI
from pydantic import BaseModel, Field
import joblib, pandas as pd

app = FastAPI()
model = joblib.load("churn-model-2025-07.joblib")

class Grahok(BaseModel):
    boyos: int = Field(ge=18, le=100)
    mashik_ay: float = Field(ge=0)
    jela: str
    package: str

@app.post("/predict")
def predict(g: Grahok):
    p = model.predict_proba(pd.DataFrame([g.model_dump()]))[0, 1]
    return {"chole_jaoar_shombhabona": round(float(p), 3), "model_version": "2025-07"}

ইনপুট যাচাই থাকলে কেউ বয়স -৫ বা ৫০০ পাঠালে মডেলের কাছে পৌঁছানোর আগেই আটকে যায়।

ধাপ ৩: প্যাকেজ আর ডিপ্লয়

ডকার কন্টেইনারে প্যাক করুন, লাইব্রেরির ভার্সন নির্দিষ্ট করুন, একটা /health এন্ডপয়েন্ট রাখুন, তারপর অন্য যেকোনো সার্ভিসের মতো ডিপ্লয় করুন। মডেল আসলে একটা বড় ফাইলসহ সাধারণ সফটওয়্যার।

ধাপ ৪: নজরদারি, কারণ পৃথিবী বদলায়

Drift
মডেল হঠাৎ ভেঙে পড়ে না; চুপচাপ খারাপ হতে থাকে।

গ্রাহকের আচরণ বদলায়, দাম বদলায়, নতুন প্রতিযোগী আসে, ঈদ-পূজা-বাজেটের মৌসুম আসে। প্রশিক্ষণের সময়ের ডেটা আর এখনকার ডেটার মধ্যে পার্থক্য বাড়তে থাকে। একে বলে ডেটা ড্রিফট। নজর রাখুন:

ধাপ ৫: নতুন প্রশিক্ষণ আর ফেরত যাওয়ার পরিকল্পনা

কখন নতুন করে প্রশিক্ষণ দেবেন (নির্দিষ্ট সময় পরপর, নাকি ড্রিফট ধরা পড়লে), নতুন মডেল পুরনোটার চেয়ে ভালো কি না কীভাবে যাচাই করবেন, আর সমস্যা হলে এক কমান্ডে পুরনো মডেলে ফেরত যাবেন কীভাবে, সব আগে থেকে ঠিক করে রাখুন।

শেষ কথা

নোটবুকে মডেল বানানো মজার অংশ। প্রোডাকশনে চালানো দায়িত্বের অংশ। প্রথমটা দেখে সবাই হাততালি দেয়; দ্বিতীয়টা ঠিকঠাক হলে কেউ টেরই পায় না, আর সেটাই সফলতার লক্ষণ। ভালো মডেল সেটাই, যেটা মাসের পর মাস চুপচাপ ঠিকঠাক কাজ করে, আর রাত তিনটায় কাউকে ঘুম থেকে তোলে না।

// related

// prefer the terminal?

Open the terminal blog and type read model-deployment-laptop-theke-production.