모델 로딩 상태 확인을 위한 헬스 체크 API

서버 시작 시 모델을 로드한 후, 모델이 사용자 댓글 분석 준비가 되었는지 감지할 수 있는 모니터링 시스템을 구축하기 위한 테스트 엔드포인트를 만들어야 합니다.

이 연습 문제에서는 API 상태를 확인하고 sentiment_model을 사용할 수 없을 때 알림을 트리거할 수 있는 헬스 체크 엔드포인트를 만들어 보겠습니다.

참고: sentiment_model은 이미 사전 로드되어 있습니다.

이 연습은 강의의 일부입니다

FastAPI로 AI 프로덕션 배포하기

연습 안내

/health 경로를 사용하여 GET 엔드포인트를 생성하세요.
sentiment_model 변수를 None과 비교하여 모델이 로드되었는지 확인하세요.
모델이 성공적으로 로드된 경우 응답에서 status를 healthy, model_loaded를 True로 설정하고, 그렇지 않은 경우 status를 unhealthy, model_loaded를 False로 설정하세요.
터미널을 열고 python3 main.py 명령어를 실행하여 main.py로 서버를 시작하세요.
터미널 오른쪽 상단에서 새 터미널을 열고 다음 curl 명령어로 health 엔드포인트를 테스트하세요: curl -X GET "http://localhost:8080/health" -H "accept: application/json"

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

이 연습은 강의의 일부입니다

FastAPI로 AI 프로덕션 배포하기

SkillTag.level.advancedSkillTag.label

4.8+

무료로 강의 시작하기

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.

Exercise 1: AI를 위한 GET 및 POST 요청 Exercise 2: 모델 정보 조회를 위한 GET 엔드포인트 Exercise 3: 모델 등록을 위한 POST 엔드포인트 Exercise 4: 사전 학습된 모델을 활용한 FastAPI 예측 Exercise 5: 사전 학습된 모델 불러오기 Exercise 6: 예측 엔드포인트 만들기 Exercise 7: FastAPI 앱 실행하기 Exercise 8: 요청 및 응답 모델 Exercise 9: ML 입력을 위한 Pydantic 모델 만들기 Exercise 10: ML 예측의 요청 및 응답 검증

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.

Exercise 1: FastAPI에서 다양한 입력 유형 처리하기 Exercise 2: 텍스트 요청 데이터 처리하기 Exercise 3: 수치형 요청 데이터 처리하기 Exercise 4: FastAPI의 입력 유효성 검사 Exercise 5: 필드 유효성 검사 Exercise 6: 커스텀 유효성 검사기 추가하기 Exercise 7: 커스텀 유효성 검사기 테스트하기 Exercise 8: 사전 학습된 모델 불러오기 Exercise 9: 서버 시작 시 AI 모델 로딩하기 Exercise 10: 모델 로딩 상태 확인을 위한 헬스 체크 API

현재 연습

Exercise 11: 구조화된 예측 응답 반환하기 Exercise 12: API에서 구조화된 출력 반환하기 Exercise 13: 구조화된 응답을 위한 엔드포인트 테스트

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.

Exercise 1: API 키 인증 Exercise 2: 키 인증으로 API 보안 설정하기 Exercise 3: API 엔드포인트 보안 설정 Exercise 4: 요청 속도 제한 Exercise 5: 속도 제한기 구현하기 Exercise 6: 엔드포인트에 요청 속도 제한 추가하기 Exercise 7: 비동기 처리 Exercise 8: 비동기 감성 분석 엔드포인트 만들기 Exercise 9: 백그라운드 작업 구현하기 Exercise 10: 타임아웃 오류 처리하기

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.

Exercise 1: API 버전 관리와 문서화 Exercise 2: 새 엔드포인트 버전이 필요한 코드 변경 사항 분류하기 Exercise 3: 새 엔드포인트 버전 추가하기 Exercise 4: API 설명 헤더 추가하기 Exercise 5: 고급 입력 유효성 검사와 오류 처리 Exercise 6: 모델 중첩하기 Exercise 7: 커스텀 모델 유효성 검사기 Exercise 8: 전역 예외 핸들러 Exercise 9: 모니터링과 로깅 Exercise 10: 모델 로딩 시간 기록하기 Exercise 11: 간단한 헬스 체크 엔드포인트 추가하기 Exercise 12: 모니터링에 모델 파라미터 공유하기 Exercise 13: 마무리