Omgaan met verschillende invoertypes in FastAPI

AI in productie brengen met FastAPI

Matt Eckerle

Software and Data Engineering Leader

Restaurant vs API

Een restaurant vergeleken met invoer voor een API

Validatiestroom

Binnenkomende data via request
Invoervalidatie gebeurt met Pydantic
Verwerk verschillende datatypes volgens modelvereisten
Verwerkte invoer naar het model gestuurd

Een stroomdiagram dat request-validatie uitlegt

Systeem voor moderatie van reacties

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

class CommentText(BaseModel):
    content: str

Een afbeelding met reactie-vakpictogrammen

Endpoint voor kommagetallen

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 voor tekstuele invoer

@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)
    }

Output voor reactie: Sign up for free

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

Laten we oefenen!

AI in productie brengen met FastAPI