Convalida richiesta e risposta per la previsione ML

Sulla base del lavoro che stai svolgendo come data scientist in un'azienda di caffè, ora devi creare un endpoint FastAPI che convalidi la richiesta in input usando il modello di validazione dei dati CoffeeQualityInput e usi QualityPrediction per la validazione della risposta.

Questo endpoint accetterà i dati del caffè e restituirà una previsione della qualità insieme al punteggio di confidenza.

Per questo esercizio, il modello è già caricato in una funzione chiamata predict_quality.

Questo esercizio fa parte del corso

Deployment di AI in produzione con FastAPI

Visualizza corso

Istruzioni dell'esercizio

Definisci CoffeeQualityInput con i campi aroma (float), flavor (float) e altitude (int).
Specifica il response_model per convalidare la risposta all'interno del decoratore della richiesta POST.
Specifica il modello di dati per convalidare la richiesta in input che contiene coffee_data.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

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

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Deployment di AI in produzione con FastAPI

AvançadoNível de habilidade

4.8+

Inizia il corso gratuitamente

Inizia a servire le predizioni del tuo modello di ML tramite endpoint FastAPI. Imparerai a caricare modelli di ML pre-addestrati e a creare endpoint API per fornire predizioni come risposte serializzate su richieste HTTP. Sfrutterai i modelli di dati Pydantic per validare richieste e risposte.

Exercise 1: Richieste GET e POST per l'AI Exercise 2: Endpoint GET per le informazioni sul modello Exercise 3: Endpoint POST per la registrazione del modello Exercise 4: Predizione FastAPI con un modello pre-addestrato Exercise 5: Carica il modello pre-addestrato Exercise 6: Crea l'endpoint di previsione Exercise 7: Esecuzione dell'app FastAPI Exercise 8: Modelli di richiesta e risposta Exercise 9: Crea un modello Pydantic per l'input ML Exercise 10: Convalida richiesta e risposta per la previsione ML

Esercizio attuale

Impara a servire modelli di Machine Learning tramite endpoint FastAPI. Questo capitolo copre la creazione di endpoint che restituiscono predizioni, la gestione di diversi tipi di dati in input e l'implementazione di una validazione dell'input solida. Costruirai API pronte per la produzione in grado di validare tipi di input differenti, con i modelli di ML caricati all'avvio del server senza tempi di inattività.

Exercise 1: Gestire diversi tipi di input in FastAPI Exercise 2: Gestisci dati testuali nella richiesta Exercise 3: Gestire dati numerici nella richiesta Exercise 4: Validazione dell'input in FastAPI Exercise 5: Validazione dei campi Exercise 6: Aggiungere validator personalizzati Exercise 7: Test dei validator personalizzati Exercise 8: Caricare un modello pre-addestrato Exercise 9: Caricare il modello di AI all'avvio del server Exercise 10: API di health-check per il caricamento del modello Exercise 11: Restituire una risposta di previsione strutturata Exercise 12: Restituire output strutturati dall'API Exercise 13: Testare l'endpoint con una risposta strutturata

Questo capitolo tratta la messa in sicurezza delle API con autenticazione basata su chiave, la gestione del volume di richieste con rate limiting personalizzato e il miglioramento delle prestazioni tramite elaborazione asincrona. Imparerai a proteggere gli endpoint, prevenire abusi e gestire in modo efficiente le operazioni dispendiose in tempo, preparando la tua API per la produzione.

Exercise 1: Autenticazione con API key Exercise 2: Mettere in sicurezza le API con l'autenticazione a chiave Exercise 3: Proteggi l'endpoint dell'API Exercise 4: Limitazione della frequenza Exercise 5: Implementare un rate limiter Exercise 6: Aggiungi il rate limiting all'endpoint Exercise 7: Elaborazione asincrona Exercise 8: Crea un endpoint async per l'analisi del sentiment Exercise 9: Implementare task in background Exercise 10: Gestire gli errori di timeout

Questo capitolo affronta argomenti avanzati che ti permetteranno di supportare a lungo termine app FastAPI in produzione. Gli argomenti includono versioning e documentazione degli endpoint API, validazione avanzata dell'input per supportare input e output più complessi, e monitoraggio e logging per garantire il corretto funzionamento delle app e risolvere i problemi in tempo reale quando non lo è.

Exercise 1: Versioning e documentazione delle API Exercise 2: Classifica le modifiche al codice per le nuove versioni degli endpoint Exercise 3: Aggiungere una nuova versione dell'endpoint Exercise 4: Aggiungere un'intestazione di descrizione all'API Exercise 5: Convalida avanzata degli input e gestione degli errori Exercise 6: Nidificare i modelli Exercise 7: Validator personalizzato del modello Exercise 8: Gestore globale delle eccezioni Exercise 9: Monitoraggio e logging Exercise 10: Registrare il tempo di caricamento di un modello Exercise 11: Aggiungere un semplice endpoint di health check Exercise 12: Condividere i parametri del modello con il monitoring Exercise 13: Riepilogo