Hướng dẫn triển khai mô hình ML lên website

BởiChu Minh Nam7 phút đọc261 lượt xem

Chia sẻ

Ngày nay, việc xây dựng các mô hình Machine Learning đã trở nên dễ dàng hơn nhờ sự hỗ trợ của các thư viện Python như scikit-learn, TensorFlow hay PyTorch. Tuy nhiên, bước tiếp theo – triển khai mô hình lên website để người dùng thực sự tương tác – lại là một thử thách mới, đặc biệt với những ai chưa quen lập trình web. Đây là bước quan trọng để biến những dự án Machine Learning từ notebook Jupyter thành một sản phẩm có thể phục vụ người dùng thực tế. Nếu bạn từng tìm hiểu cách chọn mô hình ML phù hợp với dữ liệu hay hồi quy logistic hoạt động ra sao, thì triển khai lên web chính là bước tiếp theo giúp bạn “đưa AI ra thế giới”.

Trong bài viết này, chúng ta sẽ đi qua từng bước triển khai một mô hình ML lên website: từ xuất mô hình đã huấn luyện, tạo API đơn giản với Flask, đến xây dựng giao diện web cơ bản. Bạn không cần phải là chuyên gia lập trình web để hiểu bài này – mọi bước đều được giải thích rõ ràng để người mới có thể thực hiện theo.

Tổng quan quy trình triển khai

Trước khi bắt tay vào code, hãy hiểu rõ quy trình tổng thể để triển khai một mô hình ML lên website. Quy trình này gồm ba phần chính:

Chuẩn bị mô hình: Huấn luyện và lưu mô hình Machine Learning để sử dụng lại khi có yêu cầu từ người dùng.
Tạo API dự đoán: Sử dụng framework Python như Flask để tạo một server nhận dữ liệu từ website, chạy mô hình và trả về kết quả dự đoán.
Xây dựng giao diện web: Thiết kế một trang web đơn giản cho phép người dùng nhập dữ liệu và hiển thị kết quả dự đoán từ mô hình.

Bạn có thể hình dung nó giống như việc tách mô hình ML thành “bộ não” phía server và một “khuôn mặt” giao tiếp là giao diện website.

Bảng so sánh 2 phương pháp triển khai phổ biến

Phương pháp	Ưu điểm	Nhược điểm
Flask/Django API + Frontend	Đơn giản, nhanh, dễ học cho người mới	Giao diện web còn hạn chế
Full-stack (React + API)	Giao diện đẹp, khả năng mở rộng cao	Phức tạp hơn, cần học thêm JS

Trong bài này, chúng ta chọn cách Flask API + HTML frontend để phù hợp với người mới.

Chuẩn bị mô hình Machine Learning

Giả sử bạn đã huấn luyện một mô hình phân loại đơn giản với scikit-learn, ví dụ dự đoán nguy cơ mắc bệnh tim. Sau khi huấn luyện, bạn cần lưu mô hình này để dùng lại sau này. Python hỗ trợ lưu mô hình dễ dàng với thư viện joblib hoặc pickle. Ở đoạn code dưới đây, chúng tôi minh họa huấn luyện mô hình với tập dữ liệu hoa Iris mẫu và lưu lại mô hình để sử dụng.

import joblib
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

# Huấn luyện mô hình mẫu
X, y = load_iris(return_X_y=True)
model = LogisticRegression(max_iter=200)
model.fit(X, y)

# Lưu mô hình
joblib.dump(model, 'model.pkl')

File model.pkl chính là mô hình đã huấn luyện, bạn sẽ nạp nó trong server Flask.

Tạo API dự đoán với Flask

Cấu trúc thư mục thực hiện

Khi triển khai một mô hình Machine Learning lên website, việc sắp xếp cấu trúc thư mục hợp lý sẽ giúp dự án dễ quản lý, dễ mở rộng và thuận tiện khi làm việc nhóm. Đặc biệt đối với người mới, một cấu trúc rõ ràng sẽ giúp tránh tình trạng “mọi file nằm lộn xộn trong một thư mục”. Trong dự án sử dụng Flask này, chúng ta sẽ tách riêng phần mô hình, API, và giao diện web để các phần không bị phụ thuộc chặt vào nhau. Thư mục templates chứa các file HTML, còn static (nếu có) sẽ chứa các file CSS, JavaScript, hoặc hình ảnh để làm đẹp website.

Ngoài ra, file lưu mô hình (model.pkl) cũng được để trong thư mục riêng như model/ để bạn dễ quản lý khi cập nhật các phiên bản mô hình mới.

ml_webapp/
│
├── app.py                  # File chính chạy Flask server
├── requirements.txt        # Danh sách thư viện cần cài đặt
├── model/
│   └── model.pkl           # File mô hình ML đã huấn luyện
│
├── templates/
│   └── index.html          # Giao diện chính của website
│
├── static/
│   ├── css/
│   │   └── style.css       # File CSS (nếu có)
│   ├── js/
│   │   └── script.js       # File JavaScript (nếu cần)
│   └── images/             # Thư mục chứa hình ảnh (logo, icon…)
│
└── README.md               # Mô tả dự án, cách cài đặt và chạy

Flask là một micro-framework cho Python rất nhẹ và dễ học, lý tưởng để xây dựng API nhỏ cho ML.

Cài đặt Flask

Cài đặt Flask bằng pip:

pip install flask

Viết server Flask

Tạo file app.py:

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

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

@app.route('/')
def home():
    return render_template('index.html')

@app.route('/predict', methods=['POST'])
def predict():
    data = [float(x) for x in request.form.values()]
    prediction = model.predict([data])
    return render_template('index.html', prediction_text=f'Kết quả dự đoán: {prediction[0]}')

if __name__ == "__main__":
    app.run(debug=True)

Ở đây, home() hiển thị trang web, còn predict() nhận dữ liệu người dùng, chạy mô hình và trả về kết quả.

Xây dựng giao diện web đơn giản

Tạo thư mục templates và file index.html:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Dự đoán nguy cơ bệnh</title>
</head>
<body>
    <h2>Nhập dữ liệu để dự đoán</h2>
    <form action="/predict" method="post">
        <input type="text" name="feature1" placeholder="Đặc trưng 1" required><br>
        <input type="text" name="feature2" placeholder="Đặc trưng 2" required><br>
        <input type="text" name="feature3" placeholder="Đặc trưng 3" required><br>
        <input type="text" name="feature4" placeholder="Đặc trưng 4" required><br>
        <button type="submit">Dự đoán</button>
    </form>
    <h3>{{ prediction_text }}</h3>
</body>
</html>

Khi người dùng nhập dữ liệu và bấm “Dự đoán”, form sẽ gửi dữ liệu tới server Flask, chạy mô hình và hiển thị kết quả trên cùng trang.

Chạy server và kiểm tra

Chạy lệnh sau để khởi động server:

python app.py

Mở trình duyệt và truy cập http://127.0.0.1:5000 để thấy website hoạt động.

Mở rộng và triển khai thực tế

Để triển khai lên internet thay vì chỉ chạy trên localhost, bạn có thể dùng dịch vụ như Heroku, Render hoặc Railway để host Flask app. Ngoài ra, khi muốn giao diện web đẹp hơn, bạn có thể học thêm HTML/CSS hoặc kết hợp với framework frontend như ReactJS.

Kết luận

Triển khai một mô hình Machine Learning lên website là một bước tiến lớn từ việc chỉ chạy code trên Jupyter Notebook. Dù ban đầu có thể thấy phức tạp, nhưng với cách tiếp cận từng bước cùng Flask và HTML đơn giản, ngay cả người mới cũng có thể đưa mô hình của mình lên web để mọi người sử dụng. Khi đã quen, bạn có thể thử các phương pháp phức tạp hơn như API RESTful, Docker hoặc microservices để mở rộng hệ thống.