LoslegenKostenlos loslegen

Anfrage und Antwort für ML-Vorhersage validieren

Aufbauend auf deiner Arbeit als Data Scientist bei der Kaffeefirma sollst du jetzt einen FastAPI-Endpunkt erstellen, der die Eingabeanfrage mit dem CoffeeQualityInput-Validierungsmodell prüft und QualityPrediction für die Validierung der Antwort verwendet.

Dieser Endpunkt nimmt Kaffeedaten entgegen und liefert eine Qualitätsvorhersage zusammen mit dem Confidence-Score zurück.

Das Modell ist für diese Aufgabe bereits in eine Funktion namens predict_quality geladen.

Diese Übung ist Teil des Kurses

KI in der Produktion mit FastAPI bereitstellen

Kurs anzeigen

Anleitung zur Übung

  • Definiere CoffeeQualityInput mit den Feldern aroma (float), flavor (float) und altitude (int).
  • Gib im POST-Request-Decorator das response_model an, um die Antwort zu validieren.
  • Gib das Datenmodell an, um die Eingabeanfrage mit coffee_data zu validieren.

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