Mulai sekarangMulai gratis

Validasi request dan response untuk prediksi ML

Melanjutkan pekerjaan Anda sebagai data scientist di perusahaan kopi, kini Anda perlu membuat endpoint FastAPI yang memvalidasi permintaan masukan menggunakan model validasi data CoffeeQualityInput dan menggunakan QualityPrediction untuk validasi respons.

Endpoint ini akan menerima data kopi dan mengembalikan prediksi kualitas beserta skor keyakinan.

Model sudah dimuat ke dalam fungsi bernama predict_quality untuk latihan ini.

Latihan ini merupakan bagian dari kursus

Menerapkan AI ke Produksi dengan FastAPI

Lihat Kursus

Instruksi latihan

  • Definisikan CoffeeQualityInput dengan field aroma (float), flavor (float), dan altitude (int).
  • Tentukan response_model untuk memvalidasi respons di dalam dekorator permintaan POST.
  • Tentukan model data untuk memvalidasi permintaan masukan yang berisi coffee_data.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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
Edit dan Jalankan Kode