背景與目標

到目前為止，我們已經能在 MLflow 裡追蹤模型實驗結果。
但如果要提供服務，僅用 run_id 方式不穩定（容易消失，無版本控制）。

👉 今天我們要：

1. 重新訓練一個 Popular Top-10 模型。
2. 註冊到 Model Registry（名稱：AnimeRecsysModel）。
3. 把它的版本設為 Staging。
4. 用 mlflow models serve 在本地啟動成 REST API。
5. 用 curl 測試推薦結果。

Notebook 準備

請建立 notebooks/day17_serve_with_registry.ipynb，貼上下列程式。

1. 載入資料並訓練模型

import os
import pandas as pd
import mlflow
import mlflow.pyfunc
from mlflow.tracking import MlflowClient

# 設定 MLflow Tracking
mlflow.set_tracking_uri("http://mlflow:5000")
mlflow.set_experiment("anime-recsys-serve")

# 資料路徑
DATA_DIR = "/usr/mlflow/data"
anime = pd.read_csv(os.path.join(DATA_DIR, "anime_clean.csv"))
ratings_train = pd.read_csv(os.path.join(DATA_DIR, "ratings_train.csv"))

print("Anime:", anime.shape)
print("Train:", ratings_train.shape)

# 訓練 Popular Top-10 模型
top10 = (
    ratings_train.groupby("anime_id")["rating"]
    .mean()
    .reset_index()
    .merge(anime[["anime_id", "name"]], on="anime_id")
    .sort_values("rating", ascending=False)
    .head(10)
)

top10_ids = top10["anime_id"].tolist()
top10_names = top10["name"].tolist()
print("Top 10 Anime:", top10_names)

# 定義 PopularTop10 模型
class PopularTop10(mlflow.pyfunc.PythonModel):
    def __init__(self, anime_df, top10_ids):
        self.anime = anime_df
        self.top10_ids = top10_ids

    def predict(self, context, model_input):
        # 輸入是動畫名稱，但 PopularTop10 不看輸入，永遠回傳 Top10
        return [self.anime[self.anime["anime_id"].isin(self.top10_ids)]["name"].tolist()]

2. 註冊模型到 Registry

client = MlflowClient()

with mlflow.start_run(run_name="popular-top10-registry") as run:
    mlflow.log_param("model_type", "PopularTop10")

    # 註冊模型到 Registry
    result = mlflow.pyfunc.log_model(
        artifact_path="model",
        python_model=PopularTop10(anime, top10_ids),
        registered_model_name="AnimeRecsysModel"
    )

    run_id = run.info.run_id
    print("Run ID:", run_id)

# 找到剛剛註冊的最新版本
latest_versions = client.get_latest_versions("AnimeRecsysModel")
for v in latest_versions:
    print("Version:", v.version, "Stage:", v.current_stage)
    new_version = v.version  # 取最新的 version

3. 把模型設為 Staging

# 把最新版本移到 Staging
client.transition_model_version_stage(
    name="AnimeRecsysModel",
    version=new_version,
    stage="Staging",
    archive_existing_versions=True
)

print(f"✅ Model AnimeRecsysModel v{new_version} 已移到 Staging")

現在到 MLflow UI → Models → AnimeRecsysModel → 你會看到這個版本是 Staging。

4. Serve 成 API

在容器裡執行（注意 Stage）：

mlflow models serve -m "models:/AnimeRecsysModel/Staging" -p 5001 --no-conda

這會啟動一個 REST API 在 **http://127.0.0.1:5001**。

5. 測試 API

開新 terminal，送一個請求：

curl -X POST http://127.0.0.1:5001/invocations \
  -H "Content-Type: application/json" \
  -d '{
        "inputs": [["Naruto"]]
      }'

輸出結果會是 Top-10 的動畫清單:

流程圖

訓練 PopularTop10
       │
       ▼
 mlflow.pyfunc.log_model (registered_model_name="AnimeRecsysModel")
       │
       ▼
 MLflow Registry
   ├── v1 → Staging
   └── (之後可有 v2, v3…)
       │
       ▼
 mlflow models serve (Staging)
       │
       ▼
 REST API → POST /invocations

重點總結

• 今天我們完成了 訓練 → 註冊模型 → 設定 Stage → Serve 成 API。

• 和 run_id 相比，Model Registry 的好處是：

  • 有版本號（v1, v2, …）。
  • 有 Stage（Staging, Production, Archived）。
  • 可以穩定 serve，避免 run artifacts 遺失。

• 企業級推薦系統應該用 Registry + Stage，而不是 run_id。

👉 下一步（Day 18），我們會做一個 模型追蹤與部署總結，整理整個 MLflow 部署管線。