Gestiona datos numéricos en la solicitud

Estás creando un sistema de moderación de contenido. El sistema debe calcular una puntuación de confianza para cada comentario de usuario a partir de características numéricas: length, user_reputation y report_count. Crearás un endpoint que procese estas características para hacerlas compatibles con el modelo de moderación.

Ten en cuenta que el modelo de ML y el modelo Pydantic CommentMetrics con length(int), user_reputation(int) y report_count(int) ya están creados y cargados para ti.

Este ejercicio forma parte del curso

Implementación de IA en producción con FastAPI

Instrucciones del ejercicio

En main.py, convierte los metrics del comentario entrante en un array 2D de NumPy y extrae length, user_reputation, report_count antes de pasarlos al modelo.
Haz la predicción usando el model precargado pasando el array features.
Inicia el servidor ejecutando main.py con el comando python3 main.py.
Abre otra terminal desde la esquina superior derecha de la terminal.
Prueba el endpoint predict_trust usando el comando curl:

curl -X POST "http://localhost:8080/predict_trust" \
     -H "Content-Type: application/json" \
     -d '{
           "length": 150,
           "user_reputation": 100,
           "report_count": 0
         }'

ejercicio interactivo práctico

Convierte la teoría en práctica con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Implementación de IA en producción con FastAPI

AvanzadoNivel de habilidad

4.8+

Empieza el curso gratis

Empieza a servir predicciones de tu modelo de ML a través de endpoints de FastAPI. Aprenderás a cargar modelos de ML preentrenados y a crear endpoints de API para servir predicciones como respuestas serializadas en solicitudes HTTP. Aprovecharás los modelos de datos de Pydantic para validar solicitudes y respuestas.

Exercise 1: Peticiones GET y POST para IA Exercise 2: Endpoint GET para información del modelo Exercise 3: Endpoint POST para registrar modelos Exercise 4: Predicción con FastAPI usando un modelo preentrenado Exercise 5: Carga el modelo preentrenado Exercise 6: Crea el endpoint de predicción Exercise 7: Ejecutar la app de FastAPI Exercise 8: Modelos de solicitud y respuesta Exercise 9: Crea un modelo de Pydantic para la entrada de ML Exercise 10: Valida la solicitud y la respuesta para la predicción de ML

Aprende a servir modelos de Machine Learning mediante endpoints de FastAPI. Este capítulo cubre la creación de endpoints que devuelven predicciones, el manejo de distintos tipos de datos de entrada y la implementación de una validación de entradas robusta. Crearás APIs listas para producción que pueden validar diferentes tipos de datos de entrada mientras los modelos de ML se cargan al iniciar el servidor sin tiempo de inactividad.

Exercise 1: Cómo manejar distintos tipos de entrada en FastAPI Exercise 2: Gestiona datos de solicitud textuales Exercise 3: Gestiona datos numéricos en la solicitud

Ejercicio actual

Exercise 4: Validación de entrada en FastAPI Exercise 5: Validación de campos Exercise 6: Añadir validadores personalizados Exercise 7: Probar validadores personalizados Exercise 8: Cargar un modelo preentrenado Exercise 9: Cargar el modelo de IA al iniciar el servidor Exercise 10: API de comprobación de estado para la carga del modelo Exercise 11: Devolver una respuesta de predicción estructurada Exercise 12: Devolver salida estructurada desde la API Exercise 13: Probar el endpoint con una respuesta estructurada

Este capítulo trata sobre asegurar APIs con autenticación por clave, gestionar tasas de solicitud con limitación de velocidad personalizada y mejorar el rendimiento mediante procesamiento asíncrono. Aprenderás a proteger endpoints, prevenir abusos y manejar tareas que consumen tiempo de forma eficiente, preparando tu API para producción.

Exercise 1: Autenticación con API Key Exercise 2: Proteger APIs con autenticación por clave Exercise 3: Protege el endpoint de la API Exercise 4: Limitación de tasa Exercise 5: Implementar un limitador de velocidad Exercise 6: Añade limitación de tasa al endpoint Exercise 7: Procesamiento asíncrono Exercise 8: Crea un endpoint asíncrono de análisis de sentimiento Exercise 9: Implementar tareas en segundo plano Exercise 10: Gestionar errores por tiempo de espera

Este capítulo cubre temas avanzados que te permitirán mantener aplicaciones de FastAPI a largo plazo en producción. Incluye versionado y documentación de endpoints de API, validación avanzada de entradas para soportar entradas y salidas más complejas, y monitorización y logging para asegurar que las apps funcionen correctamente y puedas diagnosticar en vivo cuando no lo hacen.

Exercise 1: Versionado y documentación de la API Exercise 2: Clasifica los cambios de código para nuevas versiones de endpoints Exercise 3: Añadir una nueva versión de endpoint Exercise 4: Añadir un encabezado de descripción a la API Exercise 5: Validación avanzada de entradas y gestión de errores Exercise 6: Anidación de modelos Exercise 7: Validador de modelo personalizado Exercise 8: Manejador global de excepciones Exercise 9: Monitorización y registro de logs Exercise 10: Registrar el tiempo de carga de un modelo Exercise 11: Añadir un endpoint sencillo de health check Exercise 12: Compartir parámetros del modelo con el sistema de monitorización Exercise 13: Cierre