Construire une API de service de modèle
Servir des modèles de ML via une API REST
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Construisez une API de service de modèle FastAPI qui charge un modèle scikit-learn/XGBoost depuis [CHEMIN], accepte une charge utile JSON avec les caractéristiques [LISTE_CARACTÉRISTIQUES_AVEC_TYPES], valide l'entrée avec Pydantic, exécute l'inférence et renvoie les prédictions avec les scores de confiance. Incluez la journalisation des requêtes, la gestion des erreurs et un point de terminaison /health.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Cas d'usage
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Utilisez `lifespan` pour ne charger le modèle qu’une fois au démarrage, et injectez-le via `request.app.state.model`. Pour les scores de confiance, si le modèle expose `predict_proba`, renvoyez la probabilité max ; sinon utilisez `decision_function`. Ajoutez aussi un endpoint `/batch` pour traiter plusieurs échantillons en une seule requête, réutilisant la même validation Pydantic. Cela évite les allers-retours et fiabilise l’inférence.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Analyse des données de stocks et d'inventaire
Analyse complète des données d'inventaire avec classification ABC/XYZ, calcul des seuils et optimisation du BFR.
Analyse de la rétention
Améliorer la rétention utilisateur
Ingénierie de caractéristiques temporelles
Extraire des caractéristiques de colonnes datetime
Génération d'un rapport automatisé hebdomadaire
Conçoit un système de rapport hebdomadaire automatisé avec commentaires intelligents et alertes contextuelles.