Zacznij terazZacznij za darmo

Walidacja żądania i odpowiedzi dla predykcji modelu ML

Kontynuując pracę jako data scientist w firmie kawowej, musisz teraz utworzyć endpoint FastAPI, który waliduje dane wejściowe żądania za pomocą modelu CoffeeQualityInput oraz odpowiedź za pomocą modelu QualityPrediction.

Endpoint będzie przyjmować dane o kawie i zwracać predykcję jakości wraz z wynikiem pewności.

Model jest już wczytany do funkcji predict_quality na potrzeby tego ćwiczenia.

To ćwiczenie jest częścią kursu

Wdrażanie AI na produkcję z FastAPI

Zobacz kurs

Instrukcje do ćwiczenia

  • Zdefiniuj CoffeeQualityInput z polami aroma (float), flavor (float) oraz altitude (int).
  • Podaj response_model, aby zwalidować odpowiedź w dekoratorze żądania POST.
  • Podaj model danych do walidacji danych wejściowych żądania zawierającego coffee_data.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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
Edytuj i uruchom kod