欢迎阅读我的 MLOps 系列中的第三篇文章。在第一篇文章中，我们探讨了 Docker 以及它如何简化应用程序打包。在第二篇文章中，我们使用 MLflow、Azure 和 Docker 管理机器学习模型。现在，在第三部分中，我们将通过构建 FastAPI 应用程序将所有内容整合在一起，该应用程序为我们之前存储在 Azure 上的模型提供服务。这使我们能够创建一个可以在全球范围内访问的预测服务！
API 就像一座桥梁。每当您与 Python 中的库交互时，您都会使用它的 API。它是您可以与之交互的应用程序的公共部分，而其背后的所有内容都是隐藏的。
API 通常用于与 Web 应用程序通信，它们提供一组返回数据的 URL（您发送带有一些参数的请求并获取响应）。大多数情况下，数据以 JSON 或 XML 等易于解析的格式返回。这与返回 HTML 的网站不同，后者包含用于呈现页面的信息。通过 API，您只需获取原始数据。
一些 API 是公共的，而另一些则是私有的。构建 API 时，您可以决定共享哪些数据以及如何共享