LoslegenKostenlos loslegen

Anfrage und Antwort für ML-Vorhersage überprüfen

Aufbauend auf deiner Arbeit als Datenwissenschaftler bei der Kaffeegesellschaft musst du jetzt einen FastAPI-Endpunkt erstellen, der Eingabeanfragen mithilfe des Datenvalidierungsmodells „ CoffeeQualityInput “ und eines „ QualityPrediction “ für die Antwortvalidierung überprüft.

Dieser Endpunkt nimmt Kaffeedaten entgegen und gibt eine Qualitätsprognose zusammen mit dem Konfidenzwert zurück.

Das Modell ist für diese Übung schon in eine Funktion namens „ predict_quality ” geladen.

Diese Übung ist Teil des Kurses

KI mit FastAPI in die Produktion bringen

Kurs anzeigen

Anleitung zur Übung

  • Definiere „ CoffeeQualityInput “ mit den Feldern „ aroma “ (float), „ flavor “ (float) und „ altitude “ (int).
  • Gib den „ response_model “ an, um die Antwort innerhalb des POST-Request-Dekorators zu überprüfen.
  • Gib das Datenmodell an, um Eingabeanforderungen mit dem Feld „ coffee_data “ zu überprüfen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

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
Code bearbeiten und ausführen