Gérer différents types d'entrée dans FastAPI

Déployer l'IA en production avec FastAPI

Matt Eckerle

Software and Data Engineering Leader

Restaurant vs API

Un restaurant comparé aux entrées d'une API

Flux de validation

Données entrantes via la requête
Validation des entrées avec Pydantic
Traiter divers types selon les besoins du modèle
Entrée traitée envoyée au modèle

Organigramme expliquant la validation d'une requête

Système de modération des commentaires

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

class CommentText(BaseModel):
    content: str

Icônes de zones de commentaire

Point de terminaison pour nombres à virgule flottante

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()}

Point de terminaison pour une entrée textuelle

@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)
    }

Résultat pour le commentaire : Sign up for free

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

Passons à la pratique !

Déployer l'IA en production avec FastAPI