Lidar com dados numéricos de solicitações

Você está criando um sistema de moderação de conteúdo. O sistema precisa calcular uma pontuação de confiança para cada comentário do usuário com base em características numéricas - length, user_reputation e report_count. Você vai criar um endpoint que processa esses recursos pra torná-los compatíveis com o modelo de moderação.

Observe que o modelo ML e um modelo Pydantic de CommentMetrics com length(int), user_reputation(int) e report_count(int) já foram criados e carregados para você.

Este exercício faz parte do curso

Implementando IA na produção com FastAPI

Instruções do exercício

Em main.py, converta os dados do comentário recebido metrics em uma matriz 2D NumPy e extraia length, user_reputation, report_count antes de passar esses dados para o modelo.
Faça a previsão usando o model pré-carregado, passando a matriz features para ele.
Inicie o servidor executando main.py usando o comando python3 main.py.
Abra outro terminal no canto superior direito do terminal.
Teste o endpoint predict_trust usando o comando curl:

curl -X POST "http://localhost:8080/predict_trust" \

     -H "Content-Type: application/json" \

     -d '{

           "length": 150,

           "user_reputation": 100,

           "report_count": 0

         }'

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Implementando IA na produção com FastAPI

AvançadoNível de habilidade

4.9+

Iniciar curso de graça

Comece a usar as previsões do seu modelo de ML através dos pontos finais do FastAPI. Você vai aprender a carregar modelos de ML pré-treinados e criar pontos de extremidade de API para fornecer previsões como respostas serializadas em solicitações HTTP. Você vai usar os modelos de dados do Pydantic pra validar solicitações e respostas.

Exercise 1: GET e solicitações POST para IA Exercise 2: GET ponto final para informações do modelo Exercise 3: Ponto final POST para registro do modelo Exercise 4: Previsão FastAPI com um modelo pré-treinado Exercise 5: Carregar o modelo pré-treinado Exercise 6: Crie o endpoint de previsão Exercise 7: Executando o aplicativo FastAPI Exercise 8: Modelos de solicitação e resposta Exercise 9: Crie um modelo Pydantic para entrada de ML Exercise 10: Validar a solicitação e a resposta para a previsão de ML

Aprenda a usar modelos de machine learning através dos endpoints do FastAPI. Este capítulo fala sobre como criar pontos finais que devolvem previsões, lidar com diferentes tipos de dados de entrada e implementar uma validação de entrada robusta. Você vai criar APIs prontas pra produção que podem validar diferentes tipos de dados de entrada enquanto carregam modelos de ML na inicialização do servidor, sem tempo de inatividade.

Exercise 1: Como lidar com diferentes tipos de entrada no FastAPI Exercise 2: Lidar com dados de solicitações textuais Exercise 3: Lidar com dados numéricos de solicitações

Exercício atual

Exercise 4: Validação de entrada no FastAPI Exercise 5: Validação em campo Exercise 6: Adicionando validadores personalizados Exercise 7: Testando validadores personalizados Exercise 8: Carregando um modelo pré-treinado Exercise 9: Carregando o modelo de IA na inicialização do servidor Exercise 10: API de verificação de integridade para carregamento de modelos Exercise 11: Retornando resposta de previsão estruturada Exercise 12: Retornando resultados estruturados da API Exercise 13: Testando o ponto final para resposta estruturada

Este capítulo fala sobre como proteger APIs com autenticação baseada em chave, gerenciar taxas de solicitação com limitação de taxa personalizada e melhorar o desempenho por meio do processamento assíncrono. Você vai aprender a proteger terminais, evitar abusos e lidar com tarefas demoradas de forma eficiente, preparando sua API para produção.

Exercise 1: Autenticação por chave API Exercise 2: Protegendo APIs com autenticação por chave Exercise 3: Proteja o ponto final da API Exercise 4: Limitação de taxa Exercise 5: Implementando limitador de taxa Exercise 6: Adicionar limitação de taxa ao ponto final Exercise 7: Processamento assíncrono Exercise 8: Crie um endpoint de análise de sentimentos assíncrono Exercise 9: Implementando tarefas em segundo plano Exercise 10: Erros de tempo limite de processamento

Este capítulo fala sobre coisas mais avançadas que vão te ajudar a dar suporte a apps FastAPI por muito tempo em produção. Os tópicos incluem controle de versão e documentação de pontos finais da API, validação avançada de entrada para dar suporte a entradas e saídas mais complexas, além de monitoramento e registro para garantir que os aplicativos estejam funcionando corretamente e solucionar problemas em tempo real quando não estiverem.

Exercise 1: Versões e documentação da API Exercise 2: Classificar alterações de código para novas versões de endpoint Exercise 3: Adicionando uma nova versão do endpoint Exercise 4: Adicionando um cabeçalho de descrição da API Exercise 5: Validação avançada de entradas e tratamento de erros Exercise 6: Modelos de aninhamento Exercise 7: Validador de modelo personalizado Exercise 8: Gerenciador de exceções globais Exercise 9: Monitoramento e registro Exercise 10: Registrando o tempo para carregar um modelo Exercise 11: Adicionando um ponto final de verificação de integridade simples Exercise 12: Compartilhando parâmetros do modelo com monitoramento Exercise 13: Conclusão