驗證 ML 預測的請求與回應
延續你在咖啡公司的資料科學家工作，現在需要建立一個 FastAPI 端點，使用 CoffeeQualityInput 資料驗證模型來驗證輸入請求，並使用 QualityPrediction 來驗證回應。
此端點會接收咖啡資料，並回傳品質預測以及信心水準分數。
本練習中，模型已載入為名為 predict_quality 的函式。
本練習屬於課程
使用 FastAPI 將 AI 佈署到生產環境
練習說明
- 定義
CoffeeQualityInput，其欄位包含aroma（float）、flavor（float），以及altitude（int）。 - 在 POST 請求的裝飾器中指定
response_model，用來驗證回應。 - 指定資料模型來驗證包含
coffee_data的輸入請求。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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