Сервис рекомендаций

Описание

FastAPI сервис для получения рекомендаций из 10 объектов для каждого пользователя из тестовой выборки МТС Kion.

Данные

Для реализации были использованы данные из приложения МТС Kion по взаимодействиям пользователей с контентом за период 6 месяцев, взятые из RecSys Course Competition. Датасет содержит:

• факты просмотра контента пользователями
• описание контента
• описание пользователей

Запуск приложения

Инициализация окружения

Выполните команду

make setup

Будет создано новое виртуальное окружение в папке .venv. В него будут установлены пакеты, перечисленные в файле pyproject.toml.

Установка пакетов

Для установки новых пакетов используйте команду poetry add.

Запуск сервиса

Способ 1: Python + Uvicorn

python main.py

Приложение запустится локально, в одном процессе. Хост и порт по умолчанию: 127.0.0.1 и 8080. Их можно изменить через переменные окружения HOST и PORT.

Управляет процессом легковесный ASGI server uvicorn.

Способ 2: Uvicorn

uvicorn main:app

Запуск напрямую через uvicorn.

Способ 3: Docker

Собрать и запустить Docker-образ можно командой

make run

Запуск тестов

Нагрузочное тестирование

Нагрузочное тестирование реализовано с помощью инструемента Locust в tests/locustfile.py. Для запуска необходимо:

• установить locust командой pip install locust
• перейти в папку tests
• запустить locust web UI в терминале командой locust
• открыть http://localhost:8089/ и указать параметры теста (Number of users, Spawn rate, Host with running search server)
• запустить тест

Текущие результаты тестирования для модели LightFM:

• Locust Setup
  • Number of users (peak concurrency): 200
  • Spawn rate (users added/stopped per second): 1
• Results
  • Max RPS: 113.4
  • Max Median response time: 480

Мониторинг

ELK

Для запуска сбора логов в ELK необходимо:

• запустить сервис
• запустить Elasticsearch + Kibana + filebeat командой docker-compose up
• зайти в консоль ELK и отфильтровать нужные логи

Prometheus + Grafana

Для запуска сбора метрик в Prometheus и отрисовки дашбордов необходимо:

• запустить сервис
• запустить Prometheus + Grafana командой docker-compose -f docker-compose-prometheus.yml up
• зайти в http://localhost:3000 и настроить вид дашбордов

Трекинг экспериментов с MLflow

Для запуска MLflow сервера необходимо выполнить команду:

mlflow server --backend-store-uri=sqlite:///mlflow_recsys.db --default-artifact-root=file:mlflow_runs --host 0.0.0.0 --port 5001

Графический интерфейс MLflow можно запустить через mlflow ui

Лог эксперимента popular_models: