ComeçarComece de graça

Validar a solicitação e a resposta para a previsão de ML

Com base no seu trabalho como cientista de dados na empresa de café, agora você precisa criar um endpoint FastAPI que valide as solicitações de entrada usando um modelo de validação de dados CoffeeQualityInput e um QualityPrediction para validação de respostas.

Esse endpoint aceita dados sobre café e mostra uma previsão de qualidade junto com a pontuação de confiança.

O modelo já está carregado numa função chamada “ predict_quality ” para este exercício.

Este exercício faz parte do curso

Implementando IA na produção com FastAPI

Ver curso

Instruções do exercício

  • Defina “ CoffeeQualityInput ” com os campos “ aroma ” (float), “ flavor ” (float) e “ altitude ” (int).
  • response_model Diz qual é o método de autenticação que a resposta precisa usar para passar no decorador de solicitação POST.
  • Especifique o modelo de dados para validar a solicitação de entrada que contém o coffee_data.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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
Editar e executar o código