Upload folder using huggingface_hub

exemples/01_predict_single_employee.json

@@ -0,0 +1,44 @@
+{
+  "description": "🔮 Exemple de prédiction unitaire - Prédit le risque de départ pour UN employé",
+  "api_endpoint": "POST /predict",
+  "authentication": "Header: X-API-Key: your-secret-key",
+  "response_includes": [
+    "prediction (0=Will Stay, 1=Will Leave)",
+    "probability_stay",
+    "probability_leave",
+    "risk_level (Low/Medium/High)"
+  ],
+  "employee_data": {
+    "nombre_participation_pee": 1,
+    "nb_formations_suivies": 3,
+    "nombre_employee_sous_responsabilite": 1,
+    "distance_domicile_travail": 8,
+    "niveau_education": 1,
+    "domaine_etude": "Infra & Cloud",
+    "ayant_enfants": "Y",
+    "frequence_deplacement": "Frequent",
+    "annees_depuis_la_derniere_promotion": 1,
+    "annes_sous_responsable_actuel": 7,
+    "satisfaction_employee_environnement": 3,
+    "note_evaluation_precedente": 2,
+    "niveau_hierarchique_poste": 2,
+    "satisfaction_employee_nature_travail": 2,
+    "satisfaction_employee_equipe": 4,
+    "satisfaction_employee_equilibre_pro_perso": 3,
+    "note_evaluation_actuelle": 4,
+    "heure_supplementaires": "Non",
+    "augementation_salaire_precedente": 23,
+    "age": 49,
+    "genre": "M",
+    "revenu_mensuel": 5130,
+    "statut_marital": "Marié(e)",
+    "departement": "Consulting",
+    "poste": "Assistant de Direction",
+    "nombre_experiences_precedentes": 1,
+    "nombre_heures_travailless": 80,
+    "annee_experience_totale": 10,
+    "annees_dans_l_entreprise": 10,
+    "annees_dans_le_poste_actuel": 7
+  },
+  "curl_example": "curl -X POST http://localhost:8000/predict \\   -H 'X-API-Key: your-secret-key' \\   -H 'Content-Type: application/json' \\   -d @01_predict_single_employee.json"
+}

exemples/02_predict_batch_eval.csv

@@ -0,0 +1,11 @@
+satisfaction_employee_environnement,note_evaluation_precedente,niveau_hierarchique_poste,satisfaction_employee_nature_travail,satisfaction_employee_equipe,satisfaction_employee_equilibre_pro_perso,eval_number,note_evaluation_actuelle,heure_supplementaires,augementation_salaire_precedente
+2,3,2,4,1,1,1,3,Oui,11 %
+3,2,2,2,4,3,2,4,Non,23 %
+4,2,1,3,2,3,3,3,Oui,15 %
+4,3,1,3,3,3,4,3,Oui,11 %
+2,2,2,3,2,2,5,3,Non,8 %
+3,3,1,4,4,3,6,4,Oui,20 %
+4,2,2,3,3,2,7,3,Non,12 %
+2,3,1,2,2,1,8,3,Oui,18 %
+3,2,2,4,3,3,9,3,Non,14 %
+4,4,1,4,4,4,10,4,Non,25 %

exemples/02_predict_batch_sirh.csv

@@ -0,0 +1,11 @@
+id_employee,age,genre,revenu_mensuel,statut_marital,departement,poste,nombre_experiences_precedentes,nombre_heures_travailless,annee_experience_totale,annees_dans_l_entreprise,annees_dans_le_poste_actuel
+1,41,F,5993,Célibataire,Commercial,Cadre Commercial,8,80,8,6,4
+2,49,M,5130,Marié(e),Consulting,Assistant de Direction,1,80,10,10,7
+3,37,M,2090,Célibataire,Consulting,Consultant,6,80,7,0,0
+4,33,F,2909,Marié(e),Consulting,Assistant de Direction,1,80,8,8,7
+5,45,M,4500,Célibataire,Commercial,Cadre Commercial,5,80,12,5,3
+6,38,F,3200,Marié(e),Ressources Humaines,Ressources Humaines,2,80,6,6,2
+7,52,M,6200,Marié(e),Consulting,Tech Lead,7,80,15,12,8
+8,28,F,2500,Célibataire,Commercial,Représentant Commercial,1,80,2,2,1
+9,44,M,7000,Marié(e),Consulting,Senior Manager,6,80,18,10,5
+10,35,F,3800,Divorcé(e),Ressources Humaines,Manager,3,80,9,4,2

exemples/02_predict_batch_sondage.csv

@@ -0,0 +1,11 @@
+nombre_participation_pee,nb_formations_suivies,nombre_employee_sous_responsabilite,code_sondage,distance_domicile_travail,niveau_education,domaine_etude,ayant_enfants,frequence_deplacement,annees_depuis_la_derniere_promotion,annes_sous_responsable_actuel
+0,0,1,1,1,2,Infra & Cloud,Y,Occasionnel,0,5
+1,3,1,2,8,1,Infra & Cloud,Y,Frequent,1,7
+0,3,1,3,2,2,Autre,Y,Occasionnel,0,0
+0,3,1,4,3,4,Infra & Cloud,Y,Frequent,3,0
+2,2,1,5,5,3,Marketing,N,Aucun,2,3
+1,1,1,6,10,2,Transformation Digitale,Y,Frequent,0,8
+0,2,1,7,4,1,Ressources Humaines,Y,Occasionnel,1,2
+2,4,1,8,7,4,Infra & Cloud,N,Frequent,2,6
+1,2,1,9,6,2,Entrepreunariat,Y,Aucun,3,4
+3,3,1,10,9,3,Autre,Y,Frequent,1,5

exemples/GUIDE_DEMO.txt

@@ -0,0 +1,89 @@
+╔══════════════════════════════════════════════════════════════════╗
+║                                                                  ║
+║     🚀 GUIDE DÉMONSTRATION - Employee Turnover API              ║
+║     Par défaut : API locale http://127.0.0.1:7860               ║
+║                                                                  ║
+╚══════════════════════════════════════════════════════════════════╝
+
+⚙️  CONFIGURATION DE L'URL
+──────────────────────────────────────────────────────────────────
+Par défaut, les scripts utilisent l'API locale : http://127.0.0.1:7860
+
+Pour utiliser l'API Hugging Face Spaces, utilisez les scripts dédiés :
+  - demo_unitaire_hf.py
+  - demo_batch_hf.py
+
+Optionnel : surcharger l'URL via la variable d'environnement :
+  HF_API_URL="https://asi-engineer-oc-p5.hf.space"
+Optionnel : si la Space protège les endpoints, ajouter une API key :
+  HF_API_KEY="votre-cle"
+
+Si FastAPI n'est pas exposé sur la Space, le script batch tentera automatiquement l'API Gradio `/api/predict_batch` (nécessite l'onglet Batch activé dans l'interface).
+
+📋 INSTALLATION (une seule fois)
+──────────────────────────────────────────────────────────────────
+pip install requests pandas
+
+
+🚀 LANCER L'API LOCALE (nécessaire pour la démo)
+──────────────────────────────────────────────────────────────────
+./lancer_api.sh
+
+Ou manuellement depuis le dossier racine :
+  cd ..
+  poetry run uvicorn api:app --host 127.0.0.1 --port 7860
+
+L'API sera accessible sur http://127.0.0.1:7860
+
+
+🔮 DÉMO 1 : PRÉDICTION UNITAIRE (1 employé)
+──────────────────────────────────────────────────────────────────
+python demo_unitaire.py
+
+→ Le script pose des questions sur l'employé
+→ Affiche directement le résultat de prédiction
+
+
+📦 DÉMO 2 : PRÉDICTION BATCH (plusieurs employés)
+──────────────────────────────────────────────────────────────────
+python demo_batch.py
+
+→ Demande 3 fichiers CSV (sondage, eval, sirh)
+→ Génère un fichier CSV avec tous les résultats
+→ Nom du fichier : predictions_batch_YYYYMMDD_HHMMSS.csv
+
+
+✅ TEST RAPIDE (avec fichiers d'exemple fournis)
+──────────────────────────────────────────────────────────────────
+Quand demo_batch.py demande si vous voulez utiliser les fichiers
+d'exemple, tapez simplement "O" ou appuyez sur Entrée.
+
+Les 3 fichiers d'exemple (10 employés) seront utilisés automatiquement :
+  - 02_predict_batch_sondage.csv
+  - 02_predict_batch_eval.csv
+  - 02_predict_batch_sirh.csv
+
+
+🎯 JOUR J - CHECKLIST
+──────────────────────────────────────────────────────────────────
+□ Lancer l'API locale : poetry run uvicorn api:app --host 127.0.0.1 --port 7860
+  (depuis le dossier racine du projet, ou ./lancer_api.sh depuis exemples/)
+□ Ou configurer l'URL HF Spaces dans les scripts
+  (via HF_API_URL avec demo_unitaire_hf.py / demo_batch_hf.py)
+□ Préparer les 3 fichiers CSV batch si nécessaire
+□ Tester : python demo_batch.py
+□ Vérifier le CSV de sortie est bien généré
+
+
+📄 FICHIERS DANS CE DOSSIER
+──────────────────────────────────────────────────────────────────
+lancer_api.sh                 → Lance l'API locale facilement
+demo_unitaire.py              → Script démo prédiction 1 employé
+demo_batch.py                 → Script démo prédiction batch
+demo_unitaire_hf.py           → Script démo unitaire via Hugging Face
+demo_batch_hf.py              → Script démo batch via Hugging Face
+02_predict_batch_*.csv        → Fichiers d'exemple (10 employés)
+README.md                     → Documentation détaillée
+
+
+C'EST TOUT ! 🎉

exemples/README.md

@@ -0,0 +1,138 @@
+# 🚀 DÉMONSTRATION API Employee Turnover
+
+**Par défaut** : API locale `http://127.0.0.1:7860`  
+**Production** : Hugging Face Spaces `https://asi-engineer-oc-p5.hf.space`
+
+## ⚙️ Configuration
+
+Les scripts locaux utilisent par défaut l'API locale. Pour la Space Hugging Face, des scripts dédiés sont fournis et acceptent `HF_API_URL` comme variable d'environnement.
+
+## 📋 Installation
+
+```bash
+pip install requests pandas
+```
+
+## 🚀 Lancer l'API locale
+
+**Option 1** : Script automatique
+```bash
+./lancer_api.sh
+```
+
+**Option 2** : Commande manuelle
+```bash
+cd ..  # Retour au dossier racine
+poetry run uvicorn api:app --host 127.0.0.1 --port 7860
+```
+
+L'API sera disponible sur `http://127.0.0.1:7860`
+
+## 🔮 Prédiction UNITAIRE (1 employé)
+
+**Usage ultra-simple** : Le script pose toutes les questions une par une.
+
+```bash
+python demo_unitaire.py
+```
+
+Le script demande les informations de l'employé, interroge l'API et affiche le résultat immédiatement.
+
+**Exemple de sortie** :
+```
+📊 RÉSULTAT
+══════════════════════════════════════════════════════════
+✅ PRÉDICTION: L'EMPLOYÉ VA RESTER
+🎯 Niveau de risque: Low
+   Probabilité de rester: 85.2%
+   Probabilité de partir: 14.8%
+```
+
+---
+
+## 📦 Prédiction BATCH (fichiers CSV)
+
+**Usage ultra-simple** : Fournit 3 fichiers CSV, obtient 1 CSV de résultats.
+
+```bash
+python demo_batch.py
+```
+
+Le script demande les chemins des 3 fichiers CSV :
+1. Fichier sondage
+2. Fichier évaluation  
+3. Fichier SIRH
+
+**Il génère automatiquement** : `predictions_batch_YYYYMMDD_HHMMSS.csv` dans le dossier courant.
+
+**Exemple de sortie** :
+```
+📊 RÉSUMÉ
+══════════════════════════════════════════════════════════
+✅ Employés qui vont RESTER: 8
+🏃 Employés qui vont PARTIR: 2
+🔴 Risque ÉLEVÉ: 1
+🟡 Risque MOYEN: 2
+🟢 Risque FAIBLE: 7
+
+💾 Résultats sauvegardés dans: predictions_batch_20260111_234530.csv
+```
+
+---
+
+## ☁️ Utiliser l'API Hugging Face (Space)
+
+Deux scripts ciblent directement la Space HF:
+
+```bash
+python demo_unitaire_hf.py
+python demo_batch_hf.py
+```
+
+Optionnel: surcharger l'URL via `HF_API_URL`:
+
+```bash
+HF_API_URL="https://asi-engineer-oc-p5.hf.space" python demo_batch_hf.py
+```
+
+Optionnel: si la Space protège les endpoints, ajouter une API key:
+
+```bash
+HF_API_KEY="votre-cle" python demo_unitaire_hf.py
+HF_API_KEY="votre-cle" python demo_batch_hf.py
+```
+
+Note: si la Space n'expose pas FastAPI, le script batch basculera automatiquement sur l'API Gradio (`/api/predict_batch`) si l'onglet Batch est activé. Sinon, utilisez l'API locale avec `lancer_api.sh`.
+
+---
+
+## 📂 Fichiers d'exemple fournis
+
+Pour tester rapidement, 4 fichiers d'exemple sont fournis :
+
+- **`01_predict_single_employee.json`** - Exemple d'employé pour test unitaire
+- **`02_predict_batch_sondage.csv`** - 10 employés (données sondage)
+- **`02_predict_batch_eval.csv`** - 10 employés (données évaluation)
+- **`02_predict_batch_sirh.csv`** - 10 employés (données SIRH)
+
+**Utilisation** : Indiquez simplement ces chemins quand `demo_batch.py` vous les demande.
+
+---
+
+## 🎯 Jour J - Checklist
+
+1. ✅ Installer les dépendances : `pip install requests pandas`
+2. ✅ Tester unitaire : `python demo_unitaire.py`
+3. ✅ Tester batch : `python demo_batch.py` (utiliser les fichiers `02_predict_batch_*.csv`)
+4. ✅ Vérifier que les CSV de résultats sont générés
+
+**C'est tout !** 🎉
+
+---
+
+## 📖 Documentation complète
+
+Pour plus d'informations sur l'API, les formats de données, etc., voir :
+- [API Documentation](../docs/api_documentation.md)
+- [Architecture](../docs/architecture.md)
+

exemples/demo_batch.py

@@ -0,0 +1,160 @@
+#!/usr/bin/env python3
+"""
+📦 Prédiction BATCH - Le plus simple possible
+
+Usage: python demo_batch.py
+"""
+
+import os
+import pandas as pd
+import requests
+from datetime import datetime
+
+# ═══════════════════════════════════════════════════════════════
+# CONFIGURATION
+# ═══════════════════════════════════════════════════════════════
+
+# Pour utiliser l'API Hugging Face Spaces, changez l'URL ci-dessous
+# API_URL = "https://asi-engineer-oc-p5.hf.space"
+API_URL = "http://127.0.0.1:7860"  # API locale par défaut
+API_KEY = None  # Pas besoin d'API key en mode DEBUG local
+
+print("╔══════════════════════════════════════════════════════════╗")
+print("║  📦 PRÉDICTION BATCH - Traitement CSV                    ║")
+print("╚══════════════════════════════════════════════════════════╝\n")
+
+# ═══════════════════════════════════════════════════════════════
+# COLLECTE DES FICHIERS
+# ═══════════════════════════════════════════════════════════════
+
+# Obtenir le dossier du script
+script_dir = os.path.dirname(os.path.abspath(__file__))
+
+# Chemins par défaut vers les fichiers d'exemple
+default_sondage = os.path.join(script_dir, "02_predict_batch_sondage.csv")
+default_eval = os.path.join(script_dir, "02_predict_batch_eval.csv")
+default_sirh = os.path.join(script_dir, "02_predict_batch_sirh.csv")
+
+print("📋 Voulez-vous utiliser les fichiers d'exemple du dossier ?")
+print(f"   - {os.path.basename(default_sondage)}")
+print(f"   - {os.path.basename(default_eval)}")
+print(f"   - {os.path.basename(default_sirh)}")
+use_defaults = input("\nUtiliser ces fichiers ? (O/n): ").strip().lower()
+
+if use_defaults in ["", "o", "oui", "y", "yes"]:
+    sondage_path = default_sondage
+    eval_path = default_eval
+    sirh_path = default_sirh
+    print("\n✅ Utilisation des fichiers d'exemple")
+else:
+    print("\nVeuillez fournir les 3 fichiers CSV:\n")
+    sondage_path = input("📋 Chemin du fichier SONDAGE (.csv): ").strip()
+    eval_path = input("📊 Chemin du fichier ÉVALUATION (.csv): ").strip()
+    sirh_path = input("💼 Chemin du fichier SIRH (.csv): ").strip()
+
+# Vérifier que les fichiers existent
+for path in [sondage_path, eval_path, sirh_path]:
+    if not os.path.exists(path):
+        print(f"\n❌ ERREUR: Fichier introuvable: {path}")
+        exit(1)
+
+print("\n✅ Fichiers chargés:")
+print(f"   - Sondage: {os.path.basename(sondage_path)}")
+print(f"   - Évaluation: {os.path.basename(eval_path)}")
+print(f"   - SIRH: {os.path.basename(sirh_path)}")
+
+# ═══════════════════════════════════════════════════════════════
+# ENVOI À L'API
+# ═══════════════════════════════════════════════════════════════
+
+print("\n⏳ Envoi des fichiers à l'API...")
+
+files = {
+    "sondage_file": open(sondage_path, "rb"),
+    "eval_file": open(eval_path, "rb"),
+    "sirh_file": open(sirh_path, "rb"),
+}
+
+headers = {}
+if API_KEY:
+    headers["X-API-Key"] = API_KEY
+
+try:
+    response = requests.post(
+        f"{API_URL}/predict/batch", files=files, headers=headers, timeout=120
+    )
+    response.raise_for_status()
+    result = response.json()
+
+    # ═══════════════════════════════════════════════════════════════
+    # CRÉATION DU CSV DE SORTIE
+    # ═══════════════════════════════════════════════════════════════
+
+    print("\n✅ Prédictions reçues!")
+    print(f"   Total employés traités: {result['total_employees']}")
+
+    # Créer un DataFrame avec les résultats
+    predictions_data = []
+    for pred in result["predictions"]:
+        predictions_data.append(
+            {
+                "employee_id": pred["employee_id"],
+                "prediction": "VA PARTIR" if pred["prediction"] == 1 else "VA RESTER",
+                "prediction_code": pred["prediction"],
+                "risk_level": pred["risk_level"],
+                "probability_stay": f"{pred['probability_stay']:.2%}",
+                "probability_leave": f"{pred['probability_leave']:.2%}",
+            }
+        )
+
+    df_results = pd.DataFrame(predictions_data)
+
+    # Générer le nom du fichier de sortie
+    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+    output_filename = f"predictions_batch_{timestamp}.csv"
+
+    # Sauvegarder dans le même dossier que ce script
+    script_dir = os.path.dirname(os.path.abspath(__file__))
+    output_path = os.path.join(script_dir, output_filename)
+
+    # Sauvegarder dans le même dossier que ce script
+    script_dir = os.path.dirname(os.path.abspath(__file__))
+    output_path = os.path.join(script_dir, output_filename)
+
+    df_results.to_csv(output_path, index=False, encoding="utf-8-sig")
+
+    # ═══════════════════════════════════════════════════════════════
+    # AFFICHAGE DU RÉSUMÉ
+    # ═══════════════════════════════════════════════════════════════
+
+    print("\n" + "═" * 60)
+    print("                    📊 RÉSUMÉ")
+    print("═" * 60)
+
+    summary = result["summary"]
+    print(f"\n✅ Employés qui vont RESTER: {summary['total_stay']}")
+    print(f"🏃 Employés qui vont PARTIR: {summary['total_leave']}")
+    print(f"\n🔴 Risque ÉLEVÉ: {summary['high_risk_count']}")
+    print(f"🟡 Risque MOYEN: {summary['medium_risk_count']}")
+    print(f"🟢 Risque FAIBLE: {summary['low_risk_count']}")
+
+    print("\n" + "═" * 60)
+    print("💾 Résultats sauvegardés dans:")
+    print(f"   {output_path}")
+    print("═" * 60)
+
+    # Afficher un échantillon
+    print("\n📋 Aperçu des 5 premiers résultats:")
+    print(df_results.head(5).to_string(index=False))
+
+except requests.exceptions.RequestException as e:
+    print(f"\n❌ ERREUR API: {e}")
+    if hasattr(e, "response") and e.response is not None:
+        print(f"Détails: {e.response.text}")
+except Exception as e:
+    print(f"\n❌ ERREUR: {e}")
+finally:
+    # Fermer les fichiers
+    for f in files.values():
+        if not f.closed:
+            f.close()

exemples/demo_batch_hf.py

@@ -0,0 +1,119 @@
+#!/usr/bin/env python3
+"""
+📦 Prédiction BATCH via API Hugging Face
+
+Usage: python demo_batch_hf.py
+- Utilise par défaut les CSV d'exemple du dossier
+- Envoie les 3 fichiers à la Space HF
+- Sauvegarde un CSV de résultats
+
+Option: définir HF_API_URL pour surcharger l'URL par défaut.
+"""
+
+import os
+import pandas as pd
+import requests
+from datetime import datetime
+
+API_URL = os.getenv("HF_API_URL", "https://asi-engineer-oc-p5.hf.space")
+
+print("╔══════════════════════════════════════════════════════════╗")
+print("║  📦 Prédiction BATCH - API Hugging Face                 ║")
+print("╚══════════════════════════════════════════════════════════╝\n")
+print(f"🌐 API: {API_URL}\n")
+
+# Dossier du script
+script_dir = os.path.dirname(os.path.abspath(__file__))
+sondage_path = os.path.join(script_dir, "02_predict_batch_sondage.csv")
+eval_path = os.path.join(script_dir, "02_predict_batch_eval.csv")
+sirh_path = os.path.join(script_dir, "02_predict_batch_sirh.csv")
+
+# Vérifier existence
+for path in [sondage_path, eval_path, sirh_path]:
+    if not os.path.exists(path):
+        print(f"❌ Fichier introuvable: {path}")
+        raise SystemExit(1)
+
+print("✅ Fichiers d'exemple détectés:")
+print(f"   - {os.path.basename(sondage_path)}")
+print(f"   - {os.path.basename(eval_path)}")
+print(f"   - {os.path.basename(sirh_path)}\n")
+
+print("⏳ Envoi des fichiers à l'API HF...")
+files = {
+    "sondage_file": open(sondage_path, "rb"),
+    "eval_file": open(eval_path, "rb"),
+    "sirh_file": open(sirh_path, "rb"),
+}
+headers = {}
+api_key = os.getenv("HF_API_KEY")
+if api_key:
+    headers["X-API-Key"] = api_key
+
+try:
+    # 1) Tente FastAPI (si exposé)
+    r = requests.post(
+        f"{API_URL}/predict/batch", files=files, headers=headers, timeout=90
+    )
+    if r.status_code == 404:
+        # 2) Fallback: endpoint Gradio API
+        print(
+            "\nℹ️ Endpoint FastAPI indisponible, tentative via Gradio API (/api/predict_batch)..."
+        )
+        r = requests.post(
+            f"{API_URL}/api/predict_batch", files=files, headers=headers, timeout=90
+        )
+        if r.status_code == 404:
+            print(
+                "\n❌ Endpoint HF introuvable (/predict/batch et /api/predict_batch)."
+            )
+            print(
+                "   Vérifiez que la Space expose l'API FastAPI ou l'onglet Batch Gradio."
+            )
+            print("   Sinon, utilisez l'API locale (lancer_api.sh).")
+            raise SystemExit(1)
+    r.raise_for_status()
+    result = r.json()
+
+    # Construire le CSV de sortie
+    predictions_data = []
+    for pred in result.get("predictions", []):
+        predictions_data.append(
+            {
+                "employee_id": pred.get("employee_id"),
+                "prediction": (
+                    "VA PARTIR" if pred.get("prediction") == 1 else "VA RESTER"
+                ),
+                "prediction_code": pred.get("prediction"),
+                "risk_level": pred.get("risk_level"),
+                "probability_stay": f"{pred.get('probability_stay', 0):.2%}",
+                "probability_leave": f"{pred.get('probability_leave', 0):.2%}",
+            }
+        )
+
+    df = pd.DataFrame(predictions_data)
+    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+    output_path = os.path.join(script_dir, f"predictions_batch_hf_{timestamp}.csv")
+    df.to_csv(output_path, index=False, encoding="utf-8-sig")
+
+    # Affichage
+    summary = result.get("summary", {})
+    print("\n" + "═" * 60)
+    print("                    📊 RÉSULTAT (HF)")
+    print("═" * 60)
+    print(
+        f"\n✅ Traités: {result.get('total_employees')} | RESTER: {summary.get('total_stay')} | PARTIR: {summary.get('total_leave')}"
+    )
+    print(
+        f"🔴 High: {summary.get('high_risk_count')}  🟡 Medium: {summary.get('medium_risk_count')}  🟢 Low: {summary.get('low_risk_count')}\n"
+    )
+    print("📄 Aperçu:")
+    print(df.head(5).to_string(index=False))
+    print(f"\n💾 Sauvegardé: {output_path}")
+
+finally:
+    for f in files.values():
+        try:
+            f.close()
+        except Exception:
+            pass

exemples/demo_unitaire.py

@@ -0,0 +1,146 @@
+#!/usr/bin/env python3
+"""
+🔮 Prédiction UNITAIRE - Le plus simple possible
+
+Usage: python demo_unitaire.py
+"""
+
+import requests
+
+# ═══════════════════════════════════════════════════════════════
+# CONFIGURATION
+# ═══════════════════════════════════════════════════════════════
+
+# Pour utiliser l'API Hugging Face Spaces, changez l'URL ci-dessous
+# API_URL = "https://asi-engineer-oc-p5.hf.space"
+API_URL = "http://127.0.0.1:7860"  # API locale par défaut
+API_KEY = None  # Pas besoin d'API key en mode DEBUG local
+
+print("╔══════════════════════════════════════════════════════════╗")
+print("║  🔮 PRÉDICTION UNITAIRE - Risque de départ employé       ║")
+print("╚══════════════════════════════════════════════════════════╝\n")
+
+# ═══════════════════════════════════════════════════════════════
+# COLLECTE DES DONNÉES
+# ═══════════════════════════════════════════════════════════════
+
+print("Veuillez renseigner les informations de l'employé:\n")
+
+# === SONDAGE ===
+print("📋 DONNÉES SONDAGE")
+nombre_participation_pee = int(input("Nombre participations PEE (0-3): "))
+nb_formations_suivies = int(input("Nombre formations suivies (0-6): "))
+distance_domicile_travail = int(input("Distance domicile-travail en km (1-30): "))
+niveau_education = int(input("Niveau d'éducation (1-5): "))
+domaine_etude = input(
+    "Domaine d'étude (Infra & Cloud, Transformation Digitale, Marketing, Entrepreunariat, Ressources Humaines, Autre): "
+)
+ayant_enfants = input("A des enfants? (Y/N): ").upper()
+frequence_deplacement = input("Fréquence déplacement (Aucun, Occasionnel, Frequent): ")
+annees_depuis_la_derniere_promotion = int(input("Années depuis dernière promotion: "))
+annes_sous_responsable_actuel = int(input("Années sous responsable actuel (0-17): "))
+
+# === ÉVALUATION ===
+print("\n📊 DONNÉES ÉVALUATION")
+satisfaction_employee_environnement = int(input("Satisfaction environnement (1-4): "))
+note_evaluation_precedente = int(input("Note évaluation précédente (1-4): "))
+niveau_hierarchique_poste = int(input("Niveau hiérarchique (1-5): "))
+satisfaction_employee_nature_travail = int(input("Satisfaction nature travail (1-4): "))
+satisfaction_employee_equipe = int(input("Satisfaction équipe (1-4): "))
+satisfaction_employee_equilibre_pro_perso = int(
+    input("Satisfaction équilibre pro/perso (1-4): ")
+)
+note_evaluation_actuelle = int(input("Note évaluation actuelle (3-4): "))
+heure_supplementaires = input("Heures supplémentaires? (Oui/Non): ")
+augementation_salaire_precedente = float(
+    input("Augmentation salaire précédente en % (0-100): ")
+)
+
+# === SIRH ===
+print("\n💼 DONNÉES RH")
+age = int(input("Âge (18-60): "))
+genre = input("Genre (M/F): ").upper()
+revenu_mensuel = float(input("Revenu mensuel en € (1000-20000): "))
+statut_marital = input("Statut marital (Célibataire, Marié(e), Divorcé(e)): ")
+departement = input("Département (Commercial, Consulting, Ressources Humaines): ")
+poste = input(
+    "Poste (Cadre Commercial, Assistant de Direction, Consultant, Tech Lead, Manager, Senior Manager, Représentant Commercial, Directeur Technique, Ressources Humaines): "
+)
+nombre_experiences_precedentes = int(input("Nombre expériences précédentes (0-9): "))
+annee_experience_totale = int(input("Années expérience totale: "))
+annees_dans_l_entreprise = int(input("Années dans l'entreprise (0-40): "))
+annees_dans_le_poste_actuel = int(input("Années dans le poste actuel (0-18): "))
+
+# ═══════════════════════════════════════════════════════════════
+# PRÉDICTION
+# ═══════════════════════════════════════════════════════════════
+
+employee_data = {
+    "nombre_participation_pee": nombre_participation_pee,
+    "nb_formations_suivies": nb_formations_suivies,
+    "nombre_employee_sous_responsabilite": 1,
+    "distance_domicile_travail": distance_domicile_travail,
+    "niveau_education": niveau_education,
+    "domaine_etude": domaine_etude,
+    "ayant_enfants": ayant_enfants,
+    "frequence_deplacement": frequence_deplacement,
+    "annees_depuis_la_derniere_promotion": annees_depuis_la_derniere_promotion,
+    "annes_sous_responsable_actuel": annes_sous_responsable_actuel,
+    "satisfaction_employee_environnement": satisfaction_employee_environnement,
+    "note_evaluation_precedente": note_evaluation_precedente,
+    "niveau_hierarchique_poste": niveau_hierarchique_poste,
+    "satisfaction_employee_nature_travail": satisfaction_employee_nature_travail,
+    "satisfaction_employee_equipe": satisfaction_employee_equipe,
+    "satisfaction_employee_equilibre_pro_perso": satisfaction_employee_equilibre_pro_perso,
+    "note_evaluation_actuelle": note_evaluation_actuelle,
+    "heure_supplementaires": heure_supplementaires,
+    "augementation_salaire_precedente": augementation_salaire_precedente,
+    "age": age,
+    "genre": genre,
+    "revenu_mensuel": revenu_mensuel,
+    "statut_marital": statut_marital,
+    "departement": departement,
+    "poste": poste,
+    "nombre_experiences_precedentes": nombre_experiences_precedentes,
+    "nombre_heures_travailless": 80,
+    "annee_experience_totale": annee_experience_totale,
+    "annees_dans_l_entreprise": annees_dans_l_entreprise,
+    "annees_dans_le_poste_actuel": annees_dans_le_poste_actuel,
+}
+
+print("\n⏳ Envoi de la requête à l'API...")
+
+headers = {"Content-Type": "application/json"}
+if API_KEY:
+    headers["X-API-Key"] = API_KEY
+
+try:
+    response = requests.post(
+        f"{API_URL}/predict", json=employee_data, headers=headers, timeout=30
+    )
+    response.raise_for_status()
+    result = response.json()
+
+    # ═══════════════════════════════════════════════════════════════
+    # AFFICHAGE DU RÉSULTAT
+    # ═══════════════════════════════════════════════════════════════
+
+    print("\n" + "═" * 60)
+    print("                    📊 RÉSULTAT")
+    print("═" * 60)
+
+    if result["prediction"] == 1:
+        print("\n🏃 PRÉDICTION: L'EMPLOYÉ VA QUITTER L'ENTREPRISE")
+    else:
+        print("\n✅ PRÉDICTION: L'EMPLOYÉ VA RESTER")
+
+    print(f"\n🎯 Niveau de risque: {result['risk_level']}")
+    print(f"   Probabilité de rester: {result['probability_0']:.1%}")
+    print(f"   Probabilité de partir: {result['probability_1']:.1%}")
+
+    print("\n" + "═" * 60)
+
+except requests.exceptions.RequestException as e:
+    print(f"\n❌ ERREUR: {e}")
+    if hasattr(e, "response") and e.response is not None:
+        print(f"Détails: {e.response.text}")

exemples/demo_unitaire_hf.py

@@ -0,0 +1,131 @@
+#!/usr/bin/env python3
+"""
+🔮 Prédiction UNITAIRE via API Hugging Face
+
+Usage: python demo_unitaire_hf.py
+- Pose des questions interactives
+- Envoie la requête à la Space HF
+- Affiche la prédiction
+
+Option: définir HF_API_URL pour surcharger l'URL par défaut.
+"""
+
+import os
+import requests
+
+API_URL = os.getenv("HF_API_URL", "https://asi-engineer-oc-p5.hf.space")
+
+print("╔══════════════════════════════════════════════════════════╗")
+print("║  🔮 Prédiction UNITAIRE - API Hugging Face              ║")
+print("╚══════════════════════════════════════════════════════════╝\n")
+print(f"🌐 API: {API_URL}\n")
+
+# Collecte minimaliste des champs requis
+print("Veuillez renseigner les informations de l'employé:\n")
+
+# === SONDAGE ===
+nombre_participation_pee = int(input("Nombre participations PEE (0-3): "))
+nb_formations_suivies = int(input("Nombre formations suivies (0-6): "))
+distance_domicile_travail = int(input("Distance domicile-travail (1-30): "))
+niveau_education = int(input("Niveau d'éducation (1-5): "))
+domaine_etude = input(
+    "Domaine d'étude: (Infra & Cloud, Transformation Digitale, Marketing, Entrepreunariat, Ressources Humaines, Autre): "
+)
+ayant_enfants = input("A des enfants? (Y/N): ").upper()
+frequence_deplacement = input("Fréquence déplacement (Aucun, Occasionnel, Frequent): ")
+annees_depuis_la_derniere_promotion = int(input("Années depuis dernière promotion: "))
+annes_sous_responsable_actuel = int(input("Années sous responsable actuel (0-17): "))
+
+# === ÉVALUATION ===
+satisfaction_employee_environnement = int(input("Satisfaction environnement (1-4): "))
+note_evaluation_precedente = int(input("Note évaluation précédente (1-4): "))
+niveau_hierarchique_poste = int(input("Niveau hiérarchique (1-5): "))
+satisfaction_employee_nature_travail = int(input("Satisfaction nature travail (1-4): "))
+satisfaction_employee_equipe = int(input("Satisfaction équipe (1-4): "))
+satisfaction_employee_equilibre_pro_perso = int(
+    input("Satisfaction équilibre pro/perso (1-4): ")
+)
+note_evaluation_actuelle = int(input("Note évaluation actuelle (3-4): "))
+heure_supplementaires = input("Heures supplémentaires? (Oui/Non): ")
+augementation_salaire_precedente = float(input("Augmentation salaire précédente (%): "))
+
+# === SIRH ===
+age = int(input("Âge (18-60): "))
+genre = input("Genre (M/F): ").upper()
+revenu_mensuel = float(input("Revenu mensuel (€): "))
+statut_marital = input("Statut marital (Célibataire, Marié(e), Divorcé(e)): ")
+departement = input("Département (Commercial, Consulting, Ressources Humaines): ")
+poste = input("Poste: ")
+nombre_experiences_precedentes = int(input("Nb expériences précédentes (0-9): "))
+annee_experience_totale = int(input("Années expérience totale: "))
+annees_dans_l_entreprise = int(input("Années dans l'entreprise (0-40): "))
+annees_dans_le_poste_actuel = int(input("Années dans le poste actuel (0-18): "))
+
+employee_data = {
+    "nombre_participation_pee": nombre_participation_pee,
+    "nb_formations_suivies": nb_formations_suivies,
+    "nombre_employee_sous_responsabilite": 1,
+    "distance_domicile_travail": distance_domicile_travail,
+    "niveau_education": niveau_education,
+    "domaine_etude": domaine_etude,
+    "ayant_enfants": ayant_enfants,
+    "frequence_deplacement": frequence_deplacement,
+    "annees_depuis_la_derniere_promotion": annees_depuis_la_derniere_promotion,
+    "annes_sous_responsable_actuel": annes_sous_responsable_actuel,
+    "satisfaction_employee_environnement": satisfaction_employee_environnement,
+    "note_evaluation_precedente": note_evaluation_precedente,
+    "niveau_hierarchique_poste": niveau_hierarchique_poste,
+    "satisfaction_employee_nature_travail": satisfaction_employee_nature_travail,
+    "satisfaction_employee_equipe": satisfaction_employee_equipe,
+    "satisfaction_employee_equilibre_pro_perso": satisfaction_employee_equilibre_pro_perso,
+    "note_evaluation_actuelle": note_evaluation_actuelle,
+    "heure_supplementaires": heure_supplementaires,
+    "augementation_salaire_precedente": augementation_salaire_precedente,
+    "age": age,
+    "genre": genre,
+    "revenu_mensuel": revenu_mensuel,
+    "statut_marital": statut_marital,
+    "departement": departement,
+    "poste": poste,
+    "nombre_experiences_precedentes": nombre_experiences_precedentes,
+    "nombre_heures_travailless": 80,
+    "annee_experience_totale": annee_experience_totale,
+    "annees_dans_l_entreprise": annees_dans_l_entreprise,
+    "annees_dans_le_poste_actuel": annees_dans_le_poste_actuel,
+}
+
+print("\n⏳ Envoi de la requête à l'API HF...")
+headers = {"Content-Type": "application/json"}
+# Optionnel: API Key si la Space protège les endpoints
+api_key = os.getenv("HF_API_KEY")
+if api_key:
+    headers["X-API-Key"] = api_key
+
+try:
+    r = requests.post(
+        f"{API_URL}/predict", json=employee_data, headers=headers, timeout=45
+    )
+    if r.status_code == 404:
+        print(
+            "\n❌ Endpoint HF introuvable (/predict). Vérifiez que la Space expose l'API FastAPI."
+        )
+        print("   Sinon, utilisez l'API locale (lancer_api.sh) ou GRADIO.")
+        raise SystemExit(1)
+    r.raise_for_status()
+    result = r.json()
+
+    print("\n" + "═" * 60)
+    print("                    📊 RÉSULTAT (HF)")
+    print("═" * 60)
+    print(
+        "\n✅ PRÉDICTION: "
+        + ("VA RESTER" if result.get("prediction", 0) == 0 else "VA PARTIR")
+    )
+    print(f"🎯 Niveau de risque: {result.get('risk_level')}")
+    print(f"   Prob rester: {result.get('probability_0', 0):.1%}")
+    print(f"   Prob partir: {result.get('probability_1', 0):.1%}")
+
+except requests.exceptions.RequestException as e:
+    print(f"\n❌ ERREUR API HF: {e}")
+    if getattr(e, "response", None) is not None:
+        print(f"Détails: {e.response.text}")

exemples/lancer_api.sh

@@ -0,0 +1,44 @@
+#!/bin/bash
+#
+# 🚀 Script de lancement de l'API locale pour la démo
+#
+# Usage: ./lancer_api.sh
+#
+
+cd "$(dirname "$0")/.."
+
+echo "╔══════════════════════════════════════════════════════════╗"
+echo "║  🚀 Lancement de l'API Employee Turnover                ║"
+echo "╚══════════════════════════════════════════════════════════╝"
+echo ""
+
+# Vérifier que poetry est installé
+if ! command -v poetry &> /dev/null; then
+    echo "❌ poetry n'est pas installé"
+    echo "   Installation : pip install poetry"
+    exit 1
+fi
+
+# Vérifier que le fichier api.py existe
+if [ ! -f "api.py" ]; then
+    echo "❌ Fichier api.py introuvable"
+    echo "   Assurez-vous d'être dans le bon dossier"
+    exit 1
+fi
+
+echo "✅ Démarrage de l'API sur http://127.0.0.1:7860"
+echo ""
+echo "📖 Documentation disponible sur:"
+echo "   - http://127.0.0.1:7860/docs (Swagger)"
+echo "   - http://127.0.0.1:7860/redoc (ReDoc)"
+echo ""
+echo "🔮 Interface Gradio (si activée):"
+echo "   - http://127.0.0.1:7860/"
+echo ""
+echo "💡 Pour arrêter l'API : Ctrl+C"
+echo ""
+echo "━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━"
+echo ""
+
+# Lancer l'API avec poetry en mode DEBUG (sans API key)
+DEBUG=True poetry run uvicorn api:app --host 127.0.0.1 --port 7860

exemples/predictions_batch_20260111_235739.csv

@@ -0,0 +1,11 @@
+employee_id,prediction,prediction_code,risk_level,probability_stay,probability_leave
+1,VA PARTIR,1,High,16.41%,83.59%
+2,VA RESTER,0,Low,88.46%,11.54%
+3,VA PARTIR,1,Medium,35.19%,64.81%
+4,VA PARTIR,1,High,24.39%,75.61%
+5,VA PARTIR,1,Medium,32.16%,67.84%
+6,VA RESTER,0,Low,95.30%,4.70%
+7,VA RESTER,0,Low,81.61%,18.39%
+8,VA PARTIR,1,High,20.77%,79.23%
+9,VA RESTER,0,Low,96.22%,3.78%
+10,VA RESTER,0,Low,92.47%,7.53%

exemples/requirements.txt

@@ -0,0 +1,3 @@
+requests>=2.31.0
+pandas>=2.0.0
+

src/gradio_ui.py

@@ -9,6 +9,7 @@ Cette interface permet de:
 """
 import os
 from typing import cast
+import pandas as pd
 
 import gradio as gr
 
@@ -538,6 +539,120 @@ def create_gradio_interface():
                     api_name="predict",
                 )
 
+            # Onglet Batch
+            with gr.TabItem("📦 Batch"):
+                gr.Markdown(
+                    "### Prédictions batch à partir de 3 CSV (sondage, évaluation, SIRH)"
+                )
+                with gr.Column():
+                    sondage_file = gr.File(
+                        label="CSV Sondage", file_types=[".csv"], type="filepath"
+                    )
+                    eval_file = gr.File(
+                        label="CSV Évaluation", file_types=[".csv"], type="filepath"
+                    )
+                    sirh_file = gr.File(
+                        label="CSV SIRH", file_types=[".csv"], type="filepath"
+                    )
+                    batch_btn = gr.Button("📦 Prédire en batch", variant="primary")
+                    batch_result = gr.JSON(label="Résultat batch")
+
+                def predict_batch_gradio(
+                    sondage_path: str, eval_path: str, sirh_path: str
+                ):
+                    try:
+                        # Lire CSV
+                        sondage_df = pd.read_csv(sondage_path)
+                        eval_df = pd.read_csv(eval_path)
+                        sirh_df = pd.read_csv(sirh_path)
+
+                        # Fusion
+                        from src.preprocessing import (
+                            merge_csv_dataframes,
+                            preprocess_dataframe_for_prediction,
+                        )
+
+                        merged_df = merge_csv_dataframes(sondage_df, eval_df, sirh_df)
+                        employee_ids = merged_df["original_employee_id"].tolist()
+                        merged_df = merged_df.drop(columns=["original_employee_id"])
+                        if "a_quitte_l_entreprise" in merged_df.columns:
+                            merged_df = merged_df.drop(
+                                columns=["a_quitte_l_entreprise"]
+                            )
+
+                        # Preprocessing
+                        X = preprocess_dataframe_for_prediction(merged_df)
+
+                        # Modèle et prédictions
+                        from src.models import load_model
+
+                        model = load_model()
+                        predictions = model.predict(X.values)
+                        probabilities = model.predict_proba(X.values)
+
+                        results = []
+                        risk_counts = {"Low": 0, "Medium": 0, "High": 0}
+                        leave_count = 0
+
+                        for i, emp_id in enumerate(employee_ids):
+                            prob_stay = float(probabilities[i][0])
+                            prob_leave = float(probabilities[i][1])
+                            pred = int(predictions[i])
+
+                            if prob_leave < 0.3:
+                                risk = "Low"
+                            elif prob_leave < 0.7:
+                                risk = "Medium"
+                            else:
+                                risk = "High"
+
+                            risk_counts[risk] += 1
+                            if pred == 1:
+                                leave_count += 1
+
+                            results.append(
+                                {
+                                    "employee_id": int(emp_id),
+                                    "prediction": pred,
+                                    "probability_stay": prob_stay,
+                                    "probability_leave": prob_leave,
+                                    "risk_level": risk,
+                                }
+                            )
+
+                        summary = {
+                            "total_stay": len(results) - leave_count,
+                            "total_leave": leave_count,
+                            "high_risk_count": risk_counts["High"],
+                            "medium_risk_count": risk_counts["Medium"],
+                            "low_risk_count": risk_counts["Low"],
+                        }
+
+                        return {
+                            "total_employees": len(results),
+                            "predictions": results,
+                            "summary": summary,
+                        }
+                    except pd.errors.EmptyDataError:
+                        return {
+                            "error": "Empty CSV file",
+                            "message": "Un des fichiers CSV est vide.",
+                        }
+                    except KeyError as e:
+                        return {
+                            "error": "Missing column",
+                            "message": f"Colonne manquante dans les CSV: {e}",
+                        }
+                    except Exception as e:
+                        return {"error": "Batch prediction failed", "message": str(e)}
+
+                batch_btn.click(
+                    fn=predict_batch_gradio,
+                    inputs=[sondage_file, eval_file, sirh_file],
+                    outputs=batch_result,
+                    api_name="predict_batch",
+                )
+
             # Onglet Documentation
             with gr.TabItem("📚 Documentation API"):
                 gr.Markdown(API_DOCS)