Gostaria de uma consultoria/mentoria em um projeto da pós graduação

Treinamento do modelo preditivo: crie uma pipeline completa para
treinamento do modelo, considerando feature engineering, préprocessamento, treinamento e validação. Salve o modelo utilizando
pickle ou joblib para posterior utilização na API.
• Crie uma api para deployment do modelo: crie uma api utilizando
flask ou fastapi e implemente um endpoint /predict para receber
dados e retornar previsões do modelo. Teste a API localmente
utilizando Postman ou cURL para validar seu funcionamento.
• Realize o empacotamento do modelo com Docker: crie um
Dockerfile para empacotar a API e todas as dependências
necessárias. Isso garante que o modelo possa ser executado em
qualquer ambiente de maneira isolada e replicável.
• Deploy do modelo: realize o deploy do modelo localmente ou na
nuvem. Caso utilize um serviço de nuvem, pode optar por AWS,
Google Cloud Run, Heroku ou a plataforma de sua preferência.
• Teste da api: teste a api para validar sua funcionalidade.
• Testes unitários: implemente os testes unitários para verificar o
funcionamento correto de cada componente da pipeline, garantindo
que seu código tenha maior qualidade.
• Monitoramento Contínuo: configure logs para monitoramento e
disponibilize um painel para acompanhamento de drift no modelo.