ComenzarEmpieza gratis

Validar la solicitud y la respuesta para la predicción de ML.

Basándote en tu trabajo como científico de datos en la empresa cafetera, ahora debes crear un punto final FastAPI que valide las solicitudes de entrada utilizando un modelo de validación de datos « CoffeeQualityInput » y un « QualityPrediction » para la validación de las respuestas.

Este punto final aceptará datos sobre el 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).
  • Especificá el response_model para validar la respuesta dentro del decorador de solicitud POST.
  • Especifica el modelo de datos para validar la solicitud de entrada que contiene el campo de tipo de valor « coffee_data ».

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

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