Quels sont les cas d'utilisation de ce prompt ?

Ce prompt peut être utilisé pour : Servir des modèles de ML via une API REST.

Quel est le niveau de difficulté et quel outil IA utiliser ?

Ce prompt est de niveau intermédiaire. Il est compatible avec tous les outils IA (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesIntermediaireAll AIs

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

Servir des modèles de ML via une API REST

Améliorez ce prompt

Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.

Améliore ce prompt avec l'Optimiseur

Commentaires

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.