CommencerCommencer gratuitement

Valider la requête et la réponse pour une prédiction ML

Dans la continuité de votre travail de data scientist au sein de l’entreprise de café, vous devez maintenant créer un endpoint FastAPI qui valide la requête d’entrée avec le modèle de validation de données CoffeeQualityInput et la réponse avec QualityPrediction.

Cet endpoint recevra des données sur le café et renverra une prédiction de qualité ainsi qu’un score de confiance.

Le modèle est déjà chargé dans une fonction appelée predict_quality pour cet exercice.

Cet exercice fait partie du cours

Déployer l’IA en production avec FastAPI

Afficher le cours

Instructions

  • Définissez CoffeeQualityInput avec les champs aroma (float), flavor (float) et altitude (int).
  • Indiquez le response_model pour valider la réponse dans le décorateur de requête POST.
  • Indiquez le modèle de données pour valider la requête d’entrée contenant coffee_data.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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
Modifier et exécuter le code