Returnera strukturerat prediktionssvar

Driftsättning av AI i produktion med FastAPI

Matt Eckerle

Software and Data Engineering Leader

Utmaningar med att driftsätta modeller

Flödesschema över ML-prediktion med FastAPI

Ta emot indata på rätt sätt
Validera indata och hantera fel
Gör prediktioner
Returnera välstrukturerade svar

Definiera förfrågningsstruktur

from pydantic import BaseModel

class PredictionRequest(BaseModel):
    text: str

class PredictionResponse(BaseModel):

    text: str

    sentiment: str

    confidence: float

Skapa prediktionsendpointen

@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"]
        )

JSON-indata:

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

Svar:

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

Felhantering

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"
    )

Svar när modellen misslyckas med prediktionen

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

Testa endpointen

# 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
}

Nu kör vi en övning!

Driftsättning av AI i produktion med FastAPI