Začněte nyníZačněte zdarma

Ověření požadavku a odpovědi pro ML predikci

Navážeš na svou práci datového vědce v kávové společnosti a tentokrát vytvoříš FastAPI endpoint, který ověřuje vstupní požadavky pomocí datového validačního modelu CoffeeQualityInput a odpovědi pomocí modelu QualityPrediction.

Tento endpoint přijme data o kávě a vrátí predikci kvality spolu se skóre spolehlivosti.

Model je pro toto cvičení už načtený ve funkci predict_quality.

Toto cvičení je součástí kurzu

Nasazení AI do produkce s FastAPI

Zobrazit kurz

Pokyny k cvičení

  • Definuj CoffeeQualityInput s poli aroma (float), flavor (float) a altitude (int).
  • Zadej response_model pro ověření odpovědi v dekorátoru POST požadavku.
  • Zadej datový model pro ověření vstupního požadavku obsahujícího coffee_data.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

class CoffeeQualityInput(BaseModel):
    ____: ____
    ____: ____
    ____: ____
    
class QualityPrediction(BaseModel):
    quality_score: float 
    confidence: float

# Specify the data model to validate response
@app.post("/predict", response_model=____) 
# Specify the data model to validate input request
def predict(coffee_data: ____):
    prediction = predict_quality(coffee_data)
    return prediction
Upravit a spustit kód