Gestiona los datos numéricos de las solicitudes.

Estás creando un sistema de moderación de contenidos. El sistema necesita calcular una puntuación de confianza para cada comentario de usuario basándose en características numéricas: length, user_reputation y report_count. Crearás un punto final que procesará estas funciones para que sean compatibles con el modelo de moderación.

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

Este ejercicio forma parte del curso

Implementación de IA en producción con FastAPI

Instrucciones del ejercicio

En main.py, convierte los datos entrantes del comentario metrics en un arreglo 2D NumPy y extrae length, user_reputation, report_count antes de pasarlos al modelo.
Realiza la predicción utilizando el método model precargado, pasando el arreglo features al mismo.
Inicia el servidor ejecutando main.py con el comando python3 main.py.
Abre otro terminal desde la esquina superior derecha del terminal.
Prueba el punto final predict_trust utilizando 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

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Implementación de IA en producción con FastAPI

AvanzadoNivel de habilidad

4.9+

Comienza el curso gratis

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

Exercise 1: GET y solicitudes POST para IA Exercise 2: GET Punto final para la información del modelo Exercise 3: Punto final POST para el registro del modelo Exercise 4: Predicción FastAPI con un modelo preentrenado Exercise 5: Cargar el modelo preentrenado Exercise 6: Crear el punto final de predicción Exercise 7: Ejecutar la aplicación FastAPI Exercise 8: Modelos de solicitud y respuesta Exercise 9: Crear un modelo Pydantic para la entrada de ML Exercise 10: Validar la solicitud y la respuesta para la predicción de ML.

Aprende a servir modelos de machine learning a través de los endpoints de FastAPI. Este capítulo trata sobre la creación de puntos finales que devuelven predicciones, el manejo de diferentes tipos de datos de entrada y la implementación de una validación de entrada robusta. Crearás API listas para la producción que pueden validar diferentes tipos de datos de entrada mientras se cargan modelos de ML al iniciar el servidor sin tiempo de inactividad.

Exercise 1: Manejo de diferentes tipos de entrada en FastAPI Exercise 2: Gestionar datos de solicitudes textuales Exercise 3: Gestiona los datos numéricos de las solicitudes.

Ejercicio actual

Exercise 4: Validación de entradas en FastAPI Exercise 5: Validación de campo Exercise 6: Añadir validadores personalizados Exercise 7: Probar validadores personalizados Exercise 8: Carga de un modelo preentrenado Exercise 9: Cargando el modelo de IA al iniciar el servidor Exercise 10: API de comprobación del estado para la carga de modelos Exercise 11: Devolución de una respuesta de predicción estructurada Exercise 12: Devolución de resultados estructurados desde la API Exercise 13: Prueba del punto final para la respuesta estructurada

Este capítulo trata sobre cómo proteger las API con autenticación basada en claves, gestionar las tasas de solicitud con límites de velocidad personalizados y mejorar el rendimiento mediante el procesamiento asíncrono. Aprenderás a proteger los puntos finales, prevenir abusos y gestionar tareas que requieren mucho tiempo de forma eficiente, preparando tu API para la producción.

Exercise 1: Autenticación con clave API Exercise 2: Protección de API con autenticación por clave Exercise 3: Protege el punto final de la API Exercise 4: Limitación de velocidad Exercise 5: Implementación del limitador de velocidad Exercise 6: Añadir limitación de velocidad al punto final Exercise 7: Procesamiento asíncrono Exercise 8: Crear un punto final de análisis de sentimiento asíncrono Exercise 9: Implementación de tareas en segundo plano Exercise 10: Errores de tiempo de espera de gestión

Este capítulo trata temas avanzados que te permitirán dar soporte a aplicaciones FastAPI a largo plazo en producción. Entre los temas tratados se incluyen el control de versiones y la documentación de los puntos finales de la API, la validación avanzada de entradas para admitir entradas y salidas más complejas, y la supervisión y el registro para garantizar que las aplicaciones se ejecutan correctamente y solucionar problemas en tiempo real cuando no es así.

Exercise 1: Versiones y documentación de la API Exercise 2: Clasificar los cambios de código para las nuevas versiones de los puntos finales.Exercise 3: Añadir una nueva versión de punto final Exercise 4: Añadir un encabezado con la descripción de la API Exercise 5: Validación avanzada de entradas y gestión de errores Exercise 6: Modelos de anidamiento Exercise 7: Validador de modelos personalizados Exercise 8: Manejador de excepciones globales Exercise 9: Supervisión y registro Exercise 10: Registrar el tiempo de carga de un modelo Exercise 11: Añadir un punto final de comprobación de estado sencillo Exercise 12: Compartir parámetros del modelo con supervisión Exercise 13: Resumen