Problema
El modelo XGBoost entrenado en el experimento MLflow necesita ser accesible para predicciones en tiempo real. Un notebook no puede recibir datos de entrada desde sistemas externos ni escalar a múltiples usuarios — se necesita un servicio REST con interfaz web y monitoreo.
Solución
FastAPI para desplegar el modelo desde MLflow Model Registry como servicio REST con validación Pydantic. Interfaz web interactiva con HTML/CSS/Bootstrap para predicciones sin código. Cada predicción se registra en MLflow para monitoreo posterior del servicio en producción.
Servicio FastAPI con interfaz web
- Carga del modelo XGBoost al arranque desde MLflow Model Registry — sin rutas locales
- Endpoint POST /predict: recibe JSON con datos del viaje → calcula features → devuelve tarifa predicha
- Endpoint GET /health: estado del servicio y versión del modelo cargado
- Interfaz web interactiva con Bootstrap: formulario para introducir datos del viaje sin código
Preprocesamiento y monitoreo
- Cálculo automático de features en el endpoint: distancia haversiana, duración, características temporales
- Validación de inputs con Pydantic: tipos, rangos y campos requeridos antes de predecir
- Registro de cada predicción en MLflow para monitoreo y análisis posterior en producción
- Documentación automática en /docs (Swagger UI) para uso por otros equipos