Valideer request en response voor ML-voorspelling
Voortbouwend op je werk als data scientist bij het koffiebedrijf, ga je nu een FastAPI-endpoint maken dat de inputrequest valideert met het CoffeeQualityInput-datavalidatiemodel en een QualityPrediction voor de responsevalidatie.
Dit endpoint accepteert koffiedata en geeft een kwaliteitsvoorspelling terug met de betrouwbaarheids score.
Het model is voor deze oefening al geladen in een functie genaamd predict_quality.
Deze oefening maakt deel uit van de cursus
AI in productie brengen met FastAPI
Oefeninstructies
- Definieer
CoffeeQualityInputmet de veldenaroma(float),flavor(float) enaltitude(int). - Geef het
response_modelop om de response te valideren binnen de POST request-decorator. - Geef het datamodel op om de inputrequest met de
coffee_datate valideren.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
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