구조화된 예측 응답 반환

FastAPI로 AI 프로덕션 배포하기

Matt Eckerle

Software and Data Engineering Leader

모델 배포 시 과제

FastAPI를 사용한 ML 예측 흐름도

입력 데이터 적절히 수신
입력 데이터 유효성 검사 및 오류 처리
예측 수행
구조화된 응답 반환

요청 구조 정의

from pydantic import BaseModel

class PredictionRequest(BaseModel):
    text: str

class PredictionResponse(BaseModel):

    text: str

    sentiment: str

    confidence: float

예측 엔드포인트 생성

@app.post("/predict")
def predict_sentiment(request: PredictionRequest):
    if sentiment_model is None:
        raise HTTPException(
            status_code=503,
            detail="Model not loaded"
        )

    result = sentiment_model(request.text)

    return PredictionResponse(
            text=request.text,
            sentiment=result[0]["label"],
            confidence=result[0]["score"]
        )

입력 JSON:

{"text": "This movie was fantastic!"}

응답:

{
    "text": "This movie was fantastic!",
    "sentiment": "POSITIVE",
    "confidence": 0.95
}

오류 처리

try:
  result = sentiment_model(request.text)
  return PredictionResponse(
        text=request.text,
        sentiment=result[0]["label"],
        confidence=result[0]["score"]
    )
except Exception:
  raise HTTPException(
        status_code=500,
        detail="Prediction failed"
    )

모델 예측 실패 시 응답

{
    "detail": "Prediction failed",
    "status_code": 500
}

엔드포인트 테스트

# Example request
import requests

response = requests.post(
    "http://localhost:8000/predict",
    json={"text": "Great product!"}
)
print(response.json())

{
    "text": "Great product!",
    "sentiment": "POSITIVE",
    "confidence": 0.998
}

연습해 봅시다!

FastAPI로 AI 프로덕션 배포하기