Cloud Deployment AWS GCP
📘 ক্লাউডে মডেল চালু।
🌐 Run models in the cloud.
🚀
1
ধারণা · Concept
কী এবং কেন📘 বাংলা ব্যাখ্যা:
ক্লাউডে মডেল চালু।
ক্লাউডে মডেল চালু।
🌐 English:
Run models in the cloud.
Run models in the cloud.
🗂 কোথায় পড়ে
৬. ইঞ্জিনিয়ারিং ও ক্যারিয়ার → এমএলঅপস ও ডিপ্লয়মেন্ট → Cloud Deployment AWS GCP
🎯 এই শাখার লক্ষ্য
Version, containerise, deploy and monitor models
🧰 টুলস
Git, Docker, FastAPI, MLflow
🪜
ধাপে ধাপে শিখুন · Step-by-step
কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল💡 কেন গুরুত্বপূর্ণ?
মডেল ও অ্যাপ ইন্টারনেটে সবার কাছে, চাহিদা অনুযায়ী স্কেল।
- ধাপ 1বিকল্প: VPS/VM (সম্পূর্ণ নিয়ন্ত্রণ), PaaS (Render, Railway), সার্ভারলেস (Cloud Run, Lambda), ML প্ল্যাটফর্ম (SageMaker, Vertex AI)
- ধাপ 2কন্টেইনার ইমেজ রেজিস্ট্রিতে পুশ করে ডিপ্লয়
- ধাপ 3পরিবেশ ভেরিয়েবলে গোপন তথ্য, HTTPS, লগিং
- ধাপ 4খরচ নিয়ন্ত্রণ: অটো-স্কেল, ব্যবহার না হলে বন্ধ, বাজেট সতর্কতা
🧪 বাস্তব উদাহরণ
Docker ইমেজ → Google Cloud Run: অনুরোধ না থাকলে খরচ প্রায় শূন্য।
⚠️ সাধারণ ভুল
GPU ইনস্ট্যান্স চালু রেখে ভুলে যাওয়া—বড় বিল।
🔑 মূল শব্দ (Key terms)
cloud deploymentserverlessCloud RunSageMakerVertex AIautoscaling
3
সাব-টপিক ও বিস্তারিত · Sub-topics
টপিক → সাব-টপিক → সাব-সাব টপিক6.1 VM বনাম সার্ভারলেস
6.2 SageMaker / Vertex AI
6.3 খরচ ও স্কেলিং
🎬
ভিডিও · Videos (বাংলা ও English)
ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত📺 আরও খুঁজুন
💻
হাতে-কলমে · Try it (MLOps & Deployment)
এডিট করে Run চাপুন · Ctrl+Enter# Save / load a model and serve predictions like an API would
import pickle, json
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X,y=load_iris(return_X_y=True); model=LogisticRegression(max_iter=300).fit(X,y)
blob=pickle.dumps(model); served=pickle.loads(blob)
def predict_endpoint(payload:str):
x=json.loads(payload)["features"]; return json.dumps({"class":int(served.predict([x])[0])})
print("POST /predict ->",predict_endpoint('{"features":[5.1,3.5,1.4,0.2]}'))
print("model size:",len(blob),"bytes")❓
সেল্ফ-চেক · Self check
🔗