Menangani berbagai tipe input di FastAPI

Menerapkan AI ke Produksi dengan FastAPI

Matt Eckerle

Software and Data Engineering Leader

Restoran vs API

Sebuah restoran dibandingkan dengan input ke sebuah API

Alur validasi

Data masuk lewat request
Validasi input dilakukan dengan Pydantic
Proses beragam tipe data sesuai kebutuhan model
Input yang diproses dikirim ke model

Diagram alur yang menjelaskan validasi request

Sistem moderasi komentar

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

class CommentText(BaseModel):
    content: str

Gambar ikon kotak komentar

Endpoint untuk bilangan pecahan

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 untuk input teks

@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)
    }

Keluaran untuk komentar: Sign up for free

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

Ayo berlatih!

Menerapkan AI ke Produksi dengan FastAPI