Tratar dados numéricos na requisição

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

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

Este exercício faz parte do curso

Colocando IA em Produção com FastAPI

Instruções do exercício

No main.py, converta os dados metrics do comentário recebido em um array 2D do NumPy e extraia length, user_reputation, report_count antes de passá-los ao modelo.
Faça a previsão usando o model já carregado, passando o array features para ele.
Inicie o servidor executando o main.py com 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

Colocando IA em Produção com FastAPI

AvançadoNível de habilidade

4.8+

Iniciar curso de graça

Comece a servir as previsões do seu modelo de ML por meio de endpoints FastAPI. Você vai aprender a carregar modelos de ML pré-treinados e criar endpoints de API para entregar previsões como respostas serializadas em requisições HTTP. Você vai usar modelos de dados do Pydantic para validar requisições e respostas.

Exercise 1: Requisições GET e POST para IA Exercise 2: Endpoint GET para informações do modelo Exercise 3: Endpoint POST para registro de modelo Exercise 4: Previsão com FastAPI usando um modelo pré-treinado Exercise 5: Carregar o modelo pré-treinado Exercise 6: Crie o endpoint de previsão Exercise 7: Executando o app FastAPI Exercise 8: Modelos de requisição e resposta Exercise 9: Crie um modelo Pydantic para entrada de ML Exercise 10: Validar requisição e resposta para predição de ML

Aprenda a servir modelos de Machine Learning por meio de endpoints FastAPI. Este capítulo cobre a criação de endpoints que retornam previsões, o tratamento de diferentes tipos de dados de entrada e a implementação de validação de entrada robusta. Você vai construir APIs prontas para produção que conseguem validar diferentes tipos de dados de entrada, mantendo os modelos de ML carregados na inicialização do servidor com zero downtime.

Exercise 1: Como lidar com diferentes tipos de entrada no FastAPI Exercise 2: Tratar dados textuais da requisição Exercise 3: Tratar dados numéricos na requisição

Exercício atual

Exercise 4: Validação de entrada no FastAPI Exercise 5: Validação de campos 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 health-check para carregamento do modelo Exercise 11: Retornando uma resposta de previsão estruturada Exercise 12: Retornando saída estruturada da API Exercise 13: Testando o endpoint para resposta estruturada

Este capítulo aborda a proteção de APIs com autenticação baseada em chave, o controle de taxa de requisições com rate limiting personalizado e a melhoria de desempenho por meio de processamento assíncrono. Você vai aprender a proteger endpoints, evitar abusos e lidar com tarefas demoradas de forma eficiente, preparando sua API para produção.

Exercise 1: Autenticação por API Key Exercise 2: Protegendo APIs com autenticação por chave Exercise 3: Proteja o endpoint da API Exercise 4: Limitação de taxa Exercise 5: Implementando o limitador de taxa Exercise 6: Adicionar rate limiting ao endpoint Exercise 7: Processamento assíncrono Exercise 8: Crie um endpoint assíncrono de análise de sentimento Exercise 9: Implementando tarefas em segundo plano Exercise 10: Tratando erros de timeout

Este capítulo cobre tópicos avançados que vão permitir dar suporte a apps FastAPI em produção no longo prazo. Os temas incluem versionamento e documentação de endpoints de API, validação avançada de entrada para dar suporte a entradas e saídas mais complexas, além de monitoramento e logging para garantir que os apps estejam rodando corretamente e para investigar problemas em produção quando não estiverem.

Exercise 1: Versionamento e documentação de APIs Exercise 2: Classifique alterações de código para novas versões de endpoints Exercise 3: Adicionando uma nova versão de endpoint Exercise 4: Adicionando um cabeçalho de descrição à API Exercise 5: Validação avançada de entrada e tratamento de erros Exercise 6: Aninhando modelos Exercise 7: Validador personalizado de modelo Exercise 8: Tratador global de exceções Exercise 9: Monitoramento e registro de logs Exercise 10: Registrando o tempo de carregamento de um modelo Exercise 11: Adicionando um endpoint simples de health check Exercise 12: Compartilhando parâmetros do modelo com o monitoramento Exercise 13: Encerramento