Kom igångKom igång gratis

Validera förfrågan och svar för ML-prediktion

Som datavetare på kaffeföretaget ska du nu skapa en FastAPI-endpoint som validerar inkommande förfrågningar med datavalideringsmodellen CoffeeQualityInput och svar med QualityPrediction.

Endpointen tar emot kaffedata och returnerar en kvalitetsprediktion tillsammans med ett konfidenspoäng.

Modellen är redan inläst i en funktion som heter predict_quality för den här övningen.

Den här övningen är en del av kursen

Driftsättning av AI i produktion med FastAPI

Visa kurs

Övningsinstruktioner

  • Definiera CoffeeQualityInput med fälten aroma (float), flavor (float) och altitude (int).
  • Ange response_model för att validera svaret i POST-förfrågningens dekoratör.
  • Ange datamodellen för att validera den inkommande förfrågan som innehåller coffee_data.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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
Redigera och kör kod