Flask vs FastAPI

Flask 2010 — synchronous, minimalist, ecosystem বিশাল। FastAPI 2018 — async-first, typed, modern. প্রশ্ন হলো: আপনার ML service-এর requirement কী?

# Flask
from flask import Flask, request, jsonify
app = Flask(__name__)

@app.post("/predict")
def predict():
    data = request.get_json()
    if "x" not in data:
        return jsonify({"error": "x required"}), 400
    return jsonify({"y": sum(data["x"])})

# FastAPI
from fastapi import FastAPI
from pydantic import BaseModel

class In(BaseModel):
    x: list[float]

app = FastAPI()

@app.post("/predict")
async def predict(payload: In):
    return {"y": sum(payload.x)}

ব্যাখ্যা: FastAPI-তে validation, typing এবং async free — Flask-এ একই জিনিস করতে extension ও manual code লাগে।

• Flask (sync) — ~2k req/s lightweight JSON echo।
• FastAPI (async) — ~10k+ req/s একই endpoint।
• Heavy CPU model হলে পার্থক্য কমে — কারণ bottleneck inference।

Numbers indicative — hardware ও payload-ভেদে variable।

• নতুন ML team বেশিরভাগ default-এ FastAPI বেছে নিচ্ছে।
• Flask এখনো admin dashboard, internal CRUD-এ জনপ্রিয়।
• Hybrid: Flask main app + FastAPI inference microservice — common pattern।

• "Async = fast" ভেবে CPU-bound কাজ async-এ দেওয়া।
• Framework choice-কে performance issue-এর প্রধান কারণ ভাবা — usually model/IO bottleneck।
• Team familiarity ignore করে hype-driven decision।

1. একই iris predictor Flask ও FastAPI-তে implement করুন।
2. wrk বা locust দিয়ে throughput compare করুন।
3. Code line count ও validation effort তুলনা করুন।

একই model দুই framework-এ host করুন। 1k concurrent request পাঠিয়ে latency p50, p95, p99 এবং throughput measure করুন। Markdown report বানান — কোন situation-এ কোনটা বেছে নেবেন সেই recommendation সহ।

• Serialization → REST contract → FastAPI implementation → framework choice।
• আপনার model এখন network-এ accessible, typed এবং documented।
• পরবর্তী Phase: Containerization — Docker দিয়ে portable packaging।