or
이 연습은 강의의 일부입니다
FastAPI 엔드포인트를 통해 ML 모델의 예측 결과를 제공하는 방법을 배웁니다. 사전 학습된 ML 모델을 로드하고, HTTP 요청에 대해 직렬화된 응답으로 예측 결과를 반환하는 API 엔드포인트를 만드는 방법을 익힙니다. 또한 Pydantic 데이터 모델을 활용해 요청과 응답을 검증하는 방법도 학습합니다.
FastAPI 엔드포인트를 통해 머신러닝 모델을 제공하는 방법을 배웁니다. 이 챕터에서는 예측 결과를 반환하는 엔드포인트 생성, 다양한 유형의 입력 데이터 처리, 그리고 강력한 입력 유효성 검사 구현을 다룹니다. 서버 시작 시 ML 모델을 로드해 다운타임 없이 다양한 입력 데이터를 검증할 수 있는 프로덕션 수준의 API를 구축합니다.
이 챕터에서는 키 기반 인증으로 API를 보호하는 방법, 사용자 정의 요청 속도 제한으로 요청을 관리하는 방법, 그리고 비동기 처리로 성능을 향상시키는 방법을 다룹니다. 엔드포인트를 보호하고, 남용을 방지하며, 시간이 오래 걸리는 작업을 효율적으로 처리하는 방법을 배워 API를 프로덕션 환경에 대비시킵니다.
이 챕터에서는 FastAPI 앱을 프로덕션 환경에서 장기적으로 운영하는 데 필요한 고급 주제를 다룹니다. API 엔드포인트의 버전 관리 및 문서화, 복잡한 입출력을 지원하는 고급 입력 유효성 검사, 그리고 앱이 정상적으로 실행되는지 확인하고 실시간으로 문제를 해결하기 위한 모니터링 및 로깅이 포함됩니다.
현재 연습