Accueil›Blog›Test technique FastAPI pour la data : APIs de scoring ML en production

Guide recrutement data

Test technique FastAPI pour la data : APIs de scoring ML en production

FastAPI est devenu le standard pour deployer des APIs de scoring ML en Python. En entretien, on evalue la capacite a aller au-dela du prototype : validation, securite, tests, containerisation.

Data Builder·Juin 2025·6 min de lecture·Data Scientist · ML Engineer

Sommaire

FastAPI pour le ML
Validation avec Pydantic
Async et concurrence
Securite et auth
Tests et documentation
Docker et deploiement
Grille

1Pourquoi FastAPI pour les APIs ML

Question discriminante

Pourquoi FastAPI plutot que Flask pour exposer un modele ML ?

from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import numpy as np

app = FastAPI(title='Churn Prediction API', version='1.0')
model = joblib.load('models/churn_v3.pkl')

class PredictionRequest(BaseModel):
    age: int
    nb_purchases: int
    days_since_last_purchase: int
    average_basket: float

class PredictionResponse(BaseModel):
    probability: float
    prediction: str
    model_version: str = 'v3'

@app.post('/predict', response_model=PredictionResponse)
def predict(request: PredictionRequest):
    features = np.array([[request.age, request.nb_purchases,
                          request.days_since_last_purchase, request.average_basket]])
    proba = model.predict_proba(features)[0][1]
    return PredictionResponse(
        probability=round(float(proba), 4),
        prediction='churn' if proba > 0.5 else 'no_churn'
    )

FastAPI vs Flask — validation automatique (Pydantic), documentation OpenAPI auto-generee, async natif, typage Python
Performance — comparable a NodeJS et Go pour les endpoints IO-bound grace a l async

2Validation Pydantic avancee

Question discriminante

Comment validez-vous que les inputs d un endpoint de scoring sont dans les plages attendues ?

from pydantic import BaseModel, Field, validator

class PredictionRequest(BaseModel):
    age: int = Field(ge=18, le=120, description='Age de l utilisateur')
    nb_purchases: int = Field(ge=0, le=10000)
    average_basket: float = Field(gt=0, le=100000)
    
    @validator('nb_purchases')
    def purchases_coherence(cls, v, values):
        if 'age' in values and v > values['age'] * 100:
            raise ValueError('Nombre d achats incoherent avec l age')
        return v

3Async et gestion de la concurrence

Question discriminante

Quand utilisez-vous async def vs def dans FastAPI ?

async def — pour les operations IO-bound : appels de bases de donnees, requetes HTTP externes, lecture de fichiers
def synchrone — pour les operations CPU-bound (calcul ML). FastAPI les execute dans un thread pool
Background tasks — executer des operations apres la reponse (logging, envoi email, mise a jour de compteurs)

4Securite : API keys et JWT

Question discriminante

Comment securisez-vous un endpoint de scoring ML ?

from fastapi.security import HTTPBearer, HTTPAuthorizationCredentials
from fastapi import Depends, HTTPException

security = HTTPBearer()

def verify_token(credentials: HTTPAuthorizationCredentials = Depends(security)):
    token = credentials.credentials
    if token not in VALID_API_KEYS:
        raise HTTPException(status_code=401, detail='Invalid API key')
    return token

@app.post('/predict')
async def predict(request: PredictionRequest, token: str = Depends(verify_token)):
    # endpoint securise
    ...

5Tests automatises et documentation

Question discriminante

Comment testez-vous une API FastAPI ?

from fastapi.testclient import TestClient

client = TestClient(app)

def test_predict_valid():
    response = client.post('/predict', json={
        'age': 35, 'nb_purchases': 12,
        'days_since_last_purchase': 30, 'average_basket': 49.90
    })
    assert response.status_code == 200
    data = response.json()
    assert 0 <= data['probability'] <= 1
    assert data['prediction'] in ['churn', 'no_churn']

def test_predict_invalid_age():
    response = client.post('/predict', json={'age': -5, ...})
    assert response.status_code == 422  # Pydantic validation error

6Docker et deploiement production

Question discriminante

Comment containerisez-vous une API FastAPI pour la production ?

FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt --no-cache-dir
COPY . .
# Gunicorn avec workers Uvicorn pour la production
CMD ['gunicorn', 'main:app', '--workers', '4', '-k', 'uvicorn.workers.UvicornWorker',
     '--bind', '0.0.0.0:8000', '--timeout', '60']

7Grille par niveau

Niveau	Maitrise	Signal GO	NO-GO
Confirme	Endpoints basiques, Pydantic, documentation auto	A deploye une API ML avec FastAPI, utilise Pydantic pour la validation	N a jamais deploye de modele via API
Senior	Async, securite JWT, tests, Docker production	A securise une API avec des tokens, a teste avec TestClient, utilise Gunicorn+Uvicorn	Ne sait pas la difference entre async et sync dans FastAPI

Vous recrutez un ML Engineer ou Data Scientist ?

Premier entretien gratuit. Rapport GO/NO-GO sous 48h.

Tester gratuitement Reserver un appel