Créer un endpoint asynchrone d’analyse de sentiment
Vous développez une plateforme d’analytique pour les réseaux sociaux qui doit analyser des avis afin d’en extraire le sentiment. Pour gérer une forte charge efficacement, vous devez implémenter un endpoint async. Le modèle d’analyse de sentiment est déjà chargé et disponible sous le nom sentiment_model.
Cet exercice fait partie du cours
Déployer l’IA en production avec FastAPI
Instructions
- Créez un endpoint POST asynchrone
/analyzeavec l’application FastAPI. - Ajoutez le mot-clé permettant d’appeler
sentiment_modelde manière asynchrone sans bloquer les autres opérations. - Exécutez
sentiment_modeldans un thread séparé avec le texte de l’avis, afin de ne pas bloquer la boucle d’événements.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class Review(BaseModel):
text: str
# Create async endpoint at /analyze route
@app.post("____")
# Write an asynchronous function to process review's text
____ def analyze_review(review: Review):
# Run the model in a separate thread to avoid any event loop blockage
result = ____ asyncio.____(sentiment_model, ____)
return {"sentiment": result[0]["label"]}