Gérer des données de requête textuelles
Une autre exigence du système de modération de contenu est de prendre en compte le sentiment des commentaires des utilisateurs. Le système doit identifier des expressions problématiques spécifiques pour aider les modérateurs à examiner les contenus potentiellement inappropriés.
Vous allez créer un endpoint qui analyse le texte envoyé par les utilisateurs et extrait des indicateurs de modération standardisés.
Cet exercice fait partie du cours
<cours>Déployer l’IA en production avec FastAPI</cours>Instructions de l’exercice
- Convertissez le texte entrant en minuscules dans la fonction
analyze_comment()afin de le rendre insensible à la casse. - Extrayez les mots-clés problématiques dans
found_issuesà partir du texte traité en utilisant la listeproblem_keywords. - Retournez une réponse JSON avec les clés suivantes :
issues(liste de mots-clés),issue_count(entier) etoriginal_text(chaîne de caractères).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
@app.post("/analyze_comment")
def analyze_comment(text: str):
problem_keywords = ["spam", "hate", "offensive", "abuse"]
# Convert the input text to lowercase
text_lower = ____
# Extract matching flags using list comprehension
found_issues = [____ for ____ in problem_keywords if keyword in text_lower]
# Return the dictionary with required keys
return {
"____": found_issues,
"____": len(found_issues),
"____": text
}