FastAPI y Machine Learning: El Futuro de Python

Hoy en día, la potencia de Python se utiliza para crear modelos de Inteligencia Artificial y exponerlos al mundo a través de servicios web ultrarrápidos. FastAPI es el estándar moderno para esto, gracias a su velocidad y su integración nativa con Type Hints.

---

1. ¿Por qué FastAPI?

FastAPI es un framework moderno de alto rendimiento para construir APIs.

• Velocidad: Es tan rápido como NodeJS o Go gracias a su soporte nativo para Asincronía (async/await).
• Documentación Automática: Solo por escribir tu código, FastAPI genera una página web interactiva (Swagger UI) para probar tu API.
• Validación de Datos: Utiliza Pydantic para asegurar que los datos que recibe el modelo son correctos.

---

2. Machine Learning en Producción

El ciclo de vida de un modelo de ML no termina cuando se entrena; termina cuando otros pueden usarlo. El flujo típico es:

1. Entrenamiento: Usamos librerías como Scikit-Learn o TensorFlow para crear el modelo.
2. Serialización: Guardamos el modelo en un archivo (usualmente .pkl o .h5).
3. Despliegue (Inferencia): Cargamos el modelo en un servidor FastAPI que recibe datos y devuelve una predicción.

---

Ejemplo: Predicción de Precios

Imagina que tienes un modelo que predice el precio de una casa. Con FastAPI, crearías un punto de acceso (endpoint) donde envías los metros cuadrados y recibes el precio estimado al instante.

---

Reto: Tu Primer Predictor Inteligente

Vamos a simular la creación de un servicio que predice si un correo es "Spam" o "No Spam".

Instrucciones:

1. Importa FastAPI de fastapi.
2. Crea la aplicación: app = FastAPI().
3. Define una corrutina asíncrona llamada predecir usando el decorador @app.get("/predict").
4. La función debe recibir un parámetro llamado mensaje (tipo str).
5. Debe retornar un diccionario: {"resultado": "No Spam", "confianza": 0.98}.

# Crea tu servicio de IA:

Desplegar Modelo 🚀