EmpezarEmpieza gratis

Valida la solicitud y la respuesta para la predicción de ML

Siguiendo con tu trabajo como data scientist en la empresa de café, ahora necesitas crear un endpoint de FastAPI que valide la solicitud de entrada usando el modelo de validación de datos CoffeeQualityInput y un QualityPrediction para validar la respuesta.

Este endpoint aceptará datos de café y devolverá una predicción de calidad junto con la puntuación de confianza.

El modelo ya está cargado en una función llamada predict_quality para este ejercicio.

Este ejercicio forma parte del curso

Implementación de IA en producción con FastAPI

Ver curso

Instrucciones del ejercicio

  • Define CoffeeQualityInput con los campos aroma (float), flavor (float) y altitude (int).
  • Especifica el response_model para validar la respuesta dentro del decorador del POST.
  • Especifica el modelo de datos para validar la solicitud de entrada que contiene coffee_data.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

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
Editar y ejecutar código