Hướng dẫn xây dựng API dự đoán bằng Flask + ML model

Trong thời đại các ứng dụng web và di động ngày càng phổ biến, việc triển khai các mô hình học máy (ML) thành một API để phục vụ dự đoán trực tiếp đã trở thành nhu cầu thiết yếu. Một API dự đoán giúp bạn tích hợp trí tuệ nhân tạo vào hệ thống quản lý, website hoặc app mà không cần phải gắn chặt với code Python gốc.

Trong bài này, chúng ta sẽ xây dựng một API Flask để dự đoán mức lương của nhân viên dựa trên số năm kinh nghiệm. Đây là một ví dụ kinh điển giúp người mới học Machine Learning làm quen với việc triển khai mô hình. Kết hợp kiến thức từ Xây dựng mô hình học sâu bằng Keras cho người mới, Giải thích các bước xây dựng pipeline học máy, và Ứng dụng học máy vào dự đoán tỷ lệ tốt nghiệp, bạn sẽ học cách “đưa ML ra ngoài thực tế” thông qua API.

Mô tả bài toán

Mục tiêu là tạo một API Flask:

• Nhận dữ liệu đầu vào JSON chứa years_experience (số năm kinh nghiệm)
• Sử dụng mô hình Random Forest đã huấn luyện để dự đoán salary
• Trả kết quả dự đoán dưới dạng JSON cho client

Chúng ta sẽ dùng một mô hình đã huấn luyện trên dữ liệu:

flask_ml_api/
│
├── app.py
├── model/
│   └── salary_model.pkl
├── requirements.txt
└── README.md

flask
pandas
scikit-learn
joblib
gunicorn

from flask import Flask, request, jsonify
import joblib
import numpy as np

app = Flask(__name__)
model = joblib.load('model/salary_model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json(force=True)
    years_exp = data.get('years_experience', 0)
    input_array = np.array([[years_exp]])
    predicted_salary = model.predict(input_array)
    return jsonify({'predicted_salary': float(predicted_salary[0])})

if __name__ == '__main__':
    app.run(debug=True, host='0.0.0.0', port=5000)

python -m venv venv
source venv/bin/activate   # macOS/Linux
venv\Scripts\activate      # Windows

pip install -r requirements.txt

python app.py

{
  "years_experience": 4.5
}

{
  "predicted_salary": 61111.0
}