ПочатиПочніть безкоштовно

Валідація запиту та відповіді для ML-прогнозу

Продовжуючи роботу дата-сайєнтиста у кавовій компанії, вам потрібно створити endpoint FastAPI, який валідовує вхідний запит за допомогою моделі перевірки даних CoffeeQualityInput і використовує QualityPrediction для валідації відповіді.

Цей endpoint прийматиме дані про каву й повертатиме прогноз якості разом із показником впевненості.

Модель уже завантажено у функцію predict_quality для цієї вправи.

Ця вправа є частиною курсу

Розгортання AI у продакшні з FastAPI

Переглянути курс

Інструкції до вправи

  • Оголосіть CoffeeQualityInput з полями aroma (float), flavor (float) та altitude (int).
  • Вкажіть response_model, щоб валідовувати відповідь у декораторі POST-запиту.
  • Задайте модель даних для валідації вхідного запиту, що містить coffee_data.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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
Редагувати та запускати код