FastAPI'de farklı girdi türlerini işleme

FastAPI ile Üretime AI Dağıtımı

Matt Eckerle

Software and Data Engineering Leader

Restoran vs API

Bir restoranın bir API'ye gelen girdilerle karşılaştırılması

Doğrulama akışı

İstekle gelen veriler
Girdi doğrulaması Pydantic ile yapılır
Modele göre farklı veri türlerini işle
İşlenen girdi modele gönderilir

İstek doğrulamasını açıklayan bir akış şeması

Yorum moderasyon sistemi

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

class CommentText(BaseModel):
    content: str

Yorum kutusu simgelerinin bir görüntüsü

Ondalıklı sayılar için endpoint

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()}

Metinsel girdi için endpoint

@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)
    }

Yorum için çıktı: Sign up for free

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

Hadi pratik yapalım!

FastAPI ile Üretime AI Dağıtımı