Deploy — Servir modelos

godml incluye un servidor de inferencia listo para producción. Una vez que entrenas un modelo con godml run, puedes empaquetarlo en Docker y servirlo como API REST en cualquier entorno.

---

Requisitos previos

• Haber ejecutado godml run -f godml.yml exitosamente
• Archivo output/model.pkl generado por el pipeline
• Docker instalado y corriendo

Verifica que el modelo existe:

ls output/model.pkl

---

Paso 1 — Dockerfile

Crea un Dockerfile en la raíz de tu proyecto:

Dockerfile

FROM python:3.11-slim

WORKDIR /app

# Instala godml con el extra de API (FastAPI + uvicorn)
RUN pip install --no-cache-dir "godml[api]"

# Copia el modelo al path esperado por el servidor
COPY output/model.pkl models/dev/model.pkl

# Copia la configuración del pipeline
COPY godml.yml .

ENV GODML_ENV=dev \
    HOST=0.0.0.0 \
    PORT=8000

EXPOSE 8000

CMD ["python", "-m", "uvicorn", "godml.deploy_service.server:app", \
     "--host", "0.0.0.0", "--port", "8000"]

Entornos

Cambia GODML_ENV=dev a qa o prod según el entorno. En prod se deshabilita CORS abierto y el endpoint /debug/config.

---

Paso 2 — Build y run

# Construir la imagen
docker build -t godml-modelo:dev .

# Ejecutar el contenedor
docker run --rm -p 8000:8000 godml-modelo:dev

Deberías ver:

INFO:     Started server process [1]
INFO:     Waiting for application startup.
  · 03:24:50  🚀 Iniciando carga de modelo en DEV
  · 03:24:50  ✅ Modelo cargado: /app/models/dev/model.pkl
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000

---

Paso 3 — Endpoints disponibles

GET /health

Verifica que el contenedor y el modelo están listos:

curl http://localhost:8000/health

{
  "status": "healthy",
  "environment": "dev",
  "model_loaded": true
}

POST /predict

Envía un registro para predecir. Las columnas deben coincidir con las usadas en el entrenamiento:

curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{
    "data": {
      "tenure": 24,
      "monthly_charges": 65.5,
      "total_charges": 1572.0,
      "contract": 1,
      "support_calls": 2
    }
  }'

{
  "prediction": [0],
  "latency": 0.0034
}

GET /metadata

Devuelve las features que espera el modelo:

curl http://localhost:8000/metadata

GET /version

curl http://localhost:8000/version

---

Saber qué columnas enviar

Las features requeridas son las del CSV de entrenamiento sin la columna target. Para verlas:

python -c "
import joblib, pandas as pd
model = joblib.load('output/model.pkl')
print(model.feature_names_in_.tolist())
"

O vía la API:

curl http://localhost:8000/metadata

---

Despliegue en producción

Docker Compose

docker-compose.yml

services:
  modelo:
    build: .
    ports:
      - "8000:8000"
    environment:
      - GODML_ENV=prod
    restart: unless-stopped

docker-compose up -d

Render.com

1. Sube tu proyecto a GitHub (con el Dockerfile incluido)
2. En Render → New Web Service → conecta el repo
3. Render detecta el Dockerfile automáticamente
4. Agrega la variable de entorno GODML_ENV=prod
5. Deploy → tu API queda en https://tu-app.onrender.com

Cloud (AWS/GCP/Azure)

# Publicar imagen en Docker Hub o ECR
docker tag godml-modelo:dev tu-registry/godml-modelo:v1.0.0
docker push tu-registry/godml-modelo:v1.0.0

# Desplegar en ECS, Cloud Run, o Azure Container Apps
# usando la imagen publicada

---

Variables de entorno

Variable	Descripción	Default
GODML_ENV	Entorno (dev, qa, prod)	dev
HOST	Host del servidor	0.0.0.0
PORT	Puerto	8000
GODML_VERSION	Versión del modelo (informativo)	dev

---

¿Algo no funciona?

Revisa la guía de Troubleshooting o abre un issue en GitHub.