Gérer les données textuelles des demandes
Une autre exigence du système de modération de contenu consiste à prendre en compte le sentiment des commentaires des utilisateurs. Le système doit identifier les expressions problématiques spécifiques afin d'aider les modérateurs à examiner les contenus potentiellement inappropriés.
Vous allez créer un point de terminaison qui analyse le texte provenant des utilisateurs et extrait les indicateurs de modération standardisés.
Cet exercice fait partie du cours
Déployer l'IA en production avec FastAPI
Instructions
- Convertissez le texte entrant en minuscules dans la fonction «
analyze_comment()» afin qu'il ne soit plus sensible à la casse. - Extrayez les mots-clés problématiques dans l'
found_issues, à partir du texte traité, en utilisant la listeproblem_keywords. - Renvoie une réponse JSON avec les clés suivantes : «
issues» (liste de mots-clés), «issue_count» (entier) et «original_text» (chaîne de caractères).
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
@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
}