Lidando com diferentes tipos de entrada no FastAPI

Colocando IA em Produção com FastAPI

Matt Eckerle

Software and Data Engineering Leader

Restaurante vs API

Um restaurante sendo comparado a entradas de uma API

Fluxo de validação

Dados recebidos via requisição
Validação de entrada com Pydantic
Processar tipos conforme o modelo
Entrada processada enviada ao modelo

Um fluxograma explicando a validação da requisição

Sistema de moderação de comentários

class CommentMetrics(BaseModel):
    length: int           
    user_karma: int     
    report_count: int

class CommentText(BaseModel):
    content: str

Uma imagem de ícones de caixa de comentários

Endpoint para números de ponto flutuante

app = FastAPI()

@app.post("/predict")

def predict_score(data: CommentMetrics):

    features = np.array([
        data.length,     
        data.user_karma,
        data.report_count
    ])

    model = CommentScorer()
    prediction = model.predict(features)

    return {"prediction": round(prediction, 2),
            "input": data.dict()}

Endpoint para entrada textual

@app.post("/analyze_text")

def analyze(comment: CommentText):

    forbidden = ["spam", "hate", "free"
                 "fake", "sign up"]

    text_lower = comment.lower()

    issues = [word for word in forbidden 
              if word in text_lower]

    return {
        "issues": issues,
        "needs_moderation": len(issues)
    }

Saída para o comentário: Sign up for free

{
    "issues": ["free", "sign up"],
    "needs_moderation": 2
}

Vamos praticar!

Colocando IA em Produção com FastAPI