Upload folder using huggingface_hub

README.md

@@ -1,49 +1,239 @@
----
-title: Employee Turnover Prediction API
-emoji: 👔
-colorFrom: blue
-colorTo: purple
-sdk: docker
-pinned: true
-license: mit
-app_port: 8000
----
+# 🚀 Employee Turnover Prediction API - v2.1.0
 
-# Employee Turnover Prediction API 🚀
+## 📊 Vue d'ensemble
 
-API de prédiction du turnover des employés avec XGBoost + SMOTE.
+API REST de prédiction du turnover des employés basée sur un modèle XGBoost avec SMOTE.
 
-## 🎯 Fonctionnalités
-
-- ✅ Prédiction de turnover (0 = reste, 1 = part)
-- 📊 Probabilités et niveau de risque (Low/Medium/High)
+**✨ Nouveautés v2.1.0** :
+- 📝 Logging structuré JSON
+- 🛡️ Rate limiting (20 req/min par IP)
+- ⚡ Gestion d'erreurs améliorée
+- 📊 Monitoring des performances
 - 🔐 Authentification API Key
-- 📝 Logs structurés JSON
-- 🛡️ Rate limiting (20 req/min)
-- 📚 Documentation OpenAPI/Swagger
 
-## 🔗 Endpoints
+## 🏗️ Architecture
+
+```
+OC_P5/
+├── app.py                    # Point d'entrée FastAPI
+├── src/
+│   ├── auth.py              # Authentification API Key
+│   ├── config.py            # Configuration centralisée
+│   ├── logger.py            # Logging structuré (NOUVEAU)
+│   ├── models.py            # Chargement modèle HF Hub
+│   ├── preprocessing.py     # Pipeline preprocessing
+│   ├── rate_limit.py        # Rate limiting (NOUVEAU)
+│   └── schemas.py           # Validation Pydantic
+├── tests/                   # Suite pytest (33 tests, 88% couverture)
+├── logs/                    # Logs JSON (NOUVEAU)
+│   ├── api.log              # Tous les logs
+│   └── error.log            # Erreurs uniquement
+├── docs/                    # Documentation
+├── ml_model/                # Scripts training
+└── data/                    # Données sources
+```
+
+## 🚀 Installation
+
+### Prérequis
+- Python 3.12+
+- Poetry 1.7+
+- Git
+
+### Setup rapide
+
+```bash
+# 1. Cloner le repo
+git clone https://github.com/chaton59/OC_P5.git
+cd OC_P5
+
+# 2. Installer les dépendances
+poetry install
+
+# 3. Configurer l'environnement
+cp .env.example .env
+# Éditer .env avec vos valeurs
+
+# 4. Lancer l'API
+poetry run uvicorn app:app --reload
 
-- **Docs** : `/docs` - Documentation interactive
-- **Health** : `/health` - Status de l'API
-- **Predict** : `/predict` - Prédiction de turnover
+# 5. Accéder à la documentation
+# http://localhost:8000/docs
+```
 
-## 🚀 Utilisation
+## 📝 Configuration (.env)
 
 ```bash
-# Health check
-curl https://asi-engineer-employee-turnover-api.hf.space/health
+# Mode développement (désactive auth + active logs détaillés)
+DEBUG=true
+
+# API Key (requis en production)
+API_KEY=your-secret-key-here
 
-# Prédiction
-curl -X POST https://asi-engineer-employee-turnover-api.hf.space/predict \
+# Logging (DEBUG, INFO, WARNING, ERROR, CRITICAL)
+LOG_LEVEL=INFO
+
+# HuggingFace Model
+HF_MODEL_REPO=ASI-Engineer/employee-turnover-model
+MODEL_FILENAME=model/model.pkl
+```
+
+## 🔒 Authentification
+
+### Mode DEBUG (développement)
+```bash
+# L'API Key n'est PAS requise
+curl http://localhost:8000/predict -H "Content-Type: application/json" -d '{...}'
+```
+
+### Mode PRODUCTION
+```bash
+# L'API Key est REQUISE
+curl http://localhost:8000/predict \
+  -H "X-API-Key: your-secret-key" \
   -H "Content-Type: application/json" \
-  -d '{
-    "satisfaction_employee_environnement": 3,
-    "satisfaction_employee_nature_travail": 4,
-    ...
-  }'
+  -d '{...}'
 ```
 
-## 📚 Documentation complète
+## 📡 Endpoints
+
+### 🏥 Health Check
+```bash
+GET /health
+
+# Réponse
+{
+  "status": "healthy",
+  "model_loaded": true,
+  "model_type": "Pipeline",
+  "version": "2.1.0"
+}
+```
+
+### 🔮 Prédiction
+```bash
+POST /predict
+Content-Type: application/json
+X-API-Key: your-key (en production)
+
+# Exemple payload (voir docs/API_GUIDE.md pour tous les champs)
+{
+  "satisfaction_employee_environnement": 3,
+  "satisfaction_employee_nature_travail": 4,
+  "satisfaction_employee_equipe": 5,
+  "satisfaction_employee_equilibre_pro_perso": 3,
+  "note_evaluation_actuelle": 85,
+  "annees_depuis_la_derniere_promotion": 2,
+  "nombre_formations_realisees": 3,
+  ...
+}
+
+# Réponse
+{
+  "prediction": 0,                    # 0 = reste, 1 = part
+  "probability_0": 0.85,              # Probabilité de rester
+  "probability_1": 0.15,              # Probabilité de partir
+  "risk_level": "Low"                 # Low, Medium, High
+}
+```
+
+## 📊 Logging
+
+### Logs structurés JSON
+
+**Fichiers** :
+- `logs/api.log` : Tous les logs
+- `logs/error.log` : Erreurs uniquement
+
+**Format** :
+```json
+{
+  "timestamp": "2025-12-26T10:30:45",
+  "level": "INFO",
+  "logger": "employee_turnover_api",
+  "message": "Request POST /predict",
+  "method": "POST",
+  "path": "/predict",
+  "status_code": 200,
+  "duration_ms": 23.45,
+  "client_host": "127.0.0.1"
+}
+```
+
+## 🛡️ Rate Limiting
+
+**Configuration** :
+- **Développement** : Désactivé (DEBUG=true)
+- **Production** : 20 requêtes/minute par IP ou API Key
+
+**En cas de dépassement** :
+```json
+{
+  "error": "Rate limit exceeded",
+  "message": "20 per 1 minute"
+}
+```
+
+## ✅ Tests
+
+```bash
+# Tous les tests
+poetry run pytest tests/ -v
+
+# Avec couverture
+poetry run pytest tests/ --cov --cov-report=html
+
+# Voir rapport HTML
+open htmlcov/index.html
+```
+
+**Résultats** :
+- ✅ 33 tests passés
+- 📊 88% de couverture globale
+
+## 🚀 Déploiement
+
+### Variables d'environnement requises
+```bash
+DEBUG=false
+API_KEY=<votre-clé-sécurisée>
+LOG_LEVEL=INFO
+```
+
+### HuggingFace Spaces
+Prêt pour déploiement avec `app.py` et `requirements.txt`
+
+## 📚 Documentation
+
+- **API Interactive** : http://localhost:8000/docs
+- **ReDoc** : http://localhost:8000/redoc
+- **Guide complet** : [docs/API_GUIDE.md](docs/API_GUIDE.md)
+- **Standards** : [docs/standards.md](docs/standards.md)
+- **Couverture tests** : [docs/TEST_COVERAGE.md](docs/TEST_COVERAGE.md)
+
+## 📦 Dépendances principales
+
+- **FastAPI** 0.115.14 : Framework web
+- **Pydantic** 2.12.5 : Validation données
+- **XGBoost** 2.1.3 : Modèle ML
+- **SlowAPI** 0.1.9 : Rate limiting
+- **python-json-logger** 4.0.0 : Logs structurés
+- **pytest** 9.0.2 : Tests
+
+## 🔄 Changelog
+
+### v2.1.0 (26 décembre 2025)
+- ✨ Système de logging structuré JSON
+- 🛡️ Rate limiting avec SlowAPI
+- ⚡ Amélioration gestion d'erreurs
+- 📊 Monitoring des performances
+
+### v2.0.0 (26 décembre 2025)
+- ✅ Suite de tests complète (33 tests)
+- 🔐 Authentification API Key
+- 📊 88% de couverture de code
+
+## 👥 Auteurs
 
-Voir [GitHub Repository](https://github.com/chaton59/OC_P5) pour la documentation complète.
+- **Projet** : OpenClassrooms P5
+- **Repo** : [github.com/chaton59/OC_P5](https://github.com/chaton59/OC_P5)

app.py

@@ -7,10 +7,12 @@ Cette API expose le modèle de prédiction de départ des employés avec :
 - Preprocessing automatique
 - Health check pour monitoring
 - Documentation OpenAPI/Swagger automatique
+- Interface Gradio pour utilisation interactive
 """
 import time
 from contextlib import asynccontextmanager
 
+import gradio as gr
 from fastapi import Depends, FastAPI, HTTPException, Request
 from fastapi.middleware.cors import CORSMiddleware
 from slowapi import _rate_limit_exceeded_handler
@@ -18,6 +20,7 @@ from slowapi.errors import RateLimitExceeded
 
 from src.auth import verify_api_key
 from src.config import get_settings
+from src.gradio_ui import create_gradio_interface
 from src.logger import logger, log_model_load, log_request
 from src.models import get_model_info, load_model
 from src.preprocessing import preprocess_for_prediction
@@ -237,11 +240,17 @@ async def predict(request: Request, employee: EmployeeInput):
         )
 
 
+# Monter l'interface Gradio sur /ui
+gradio_app = create_gradio_interface()
+app = gr.mount_gradio_app(app, gradio_app, path="/ui")
+
+
 if __name__ == "__main__":
     import uvicorn
 
     print("🚀 Lancement de l'API en mode développement...")
     print("📖 Documentation : http://localhost:8000/docs")
+    print("🎨 Interface Gradio : http://localhost:8000/ui")
 
     uvicorn.run(
         "app:app",

requirements.txt

@@ -1,7 +1,10 @@
+aiofiles==24.1.0 ; python_version >= "3.12" and python_version < "4.0"
 alembic==1.17.2 ; python_version >= "3.12" and python_version < "4.0"
 annotated-types==0.7.0 ; python_version >= "3.12" and python_version < "4.0"
 anyio==4.12.0 ; python_version >= "3.12" and python_version < "4.0"
+audioop-lts==0.2.2 ; python_version >= "3.13" and python_version < "4.0"
 blinker==1.9.0 ; python_version >= "3.12" and python_version < "4.0"
+brotli==1.2.0 ; python_version >= "3.12" and python_version < "4.0"
 cachetools==6.2.4 ; python_version >= "3.12" and python_version < "4.0"
 certifi==2025.11.12 ; python_version >= "3.12" and python_version < "4.0"
 cffi==2.0.0 ; python_version >= "3.12" and python_version < "4.0" and platform_python_implementation != "PyPy"
@@ -16,6 +19,7 @@ databricks-sdk==0.76.0 ; python_version >= "3.12" and python_version < "4.0"
 deprecated==1.3.1 ; python_version >= "3.12" and python_version < "4.0"
 docker==7.1.0 ; python_version >= "3.12" and python_version < "4.0"
 fastapi==0.115.14 ; python_version >= "3.12" and python_version < "4.0"
+ffmpy==1.0.0 ; python_version >= "3.12" and python_version < "4.0"
 filelock==3.20.1 ; python_version >= "3.12" and python_version < "4.0"
 flask-cors==6.0.2 ; python_version >= "3.12" and python_version < "4.0"
 flask==3.1.2 ; python_version >= "3.12" and python_version < "4.0"
@@ -24,10 +28,13 @@ fsspec==2025.12.0 ; python_version >= "3.12" and python_version < "4.0"
 gitdb==4.0.12 ; python_version >= "3.12" and python_version < "4.0"
 gitpython==3.1.45 ; python_version >= "3.12" and python_version < "4.0"
 google-auth==2.45.0 ; python_version >= "3.12" and python_version < "4.0"
+gradio-client==2.0.2 ; python_version >= "3.12" and python_version < "4.0"
+gradio==6.2.0 ; python_version >= "3.12" and python_version < "4.0"
 graphene==3.4.3 ; python_version >= "3.12" and python_version < "4.0"
 graphql-core==3.2.7 ; python_version >= "3.12" and python_version < "4.0"
 graphql-relay==3.2.0 ; python_version >= "3.12" and python_version < "4.0"
 greenlet==3.3.0 ; python_version >= "3.12" and python_version < "4.0" and (platform_machine == "aarch64" or platform_machine == "ppc64le" or platform_machine == "x86_64" or platform_machine == "amd64" or platform_machine == "AMD64" or platform_machine == "win32" or platform_machine == "WIN32")
+groovy==0.1.2 ; python_version >= "3.12" and python_version < "4.0"
 gunicorn==23.0.0 ; python_version >= "3.12" and python_version < "4.0" and platform_system != "Windows"
 h11==0.16.0 ; python_version >= "3.12" and python_version < "4.0"
 hf-xet==1.2.0 ; python_version >= "3.12" and python_version < "4.0" and (platform_machine == "x86_64" or platform_machine == "amd64" or platform_machine == "AMD64" or platform_machine == "arm64" or platform_machine == "aarch64")
@@ -45,8 +52,10 @@ joblib==1.5.3 ; python_version >= "3.12" and python_version < "4.0"
 kiwisolver==1.4.9 ; python_version >= "3.12" and python_version < "4.0"
 limits==5.6.0 ; python_version >= "3.12" and python_version < "4.0"
 mako==1.3.10 ; python_version >= "3.12" and python_version < "4.0"
+markdown-it-py==4.0.0 ; python_version >= "3.12" and python_version < "4.0"
 markupsafe==3.0.3 ; python_version >= "3.12" and python_version < "4.0"
 matplotlib==3.10.8 ; python_version >= "3.12" and python_version < "4.0"
+mdurl==0.1.2 ; python_version >= "3.12" and python_version < "4.0"
 mlflow-skinny==3.8.1 ; python_version >= "3.12" and python_version < "4.0"
 mlflow-tracing==3.8.1 ; python_version >= "3.12" and python_version < "4.0"
 mlflow==3.8.1 ; python_version >= "3.12" and python_version < "4.0"
@@ -56,6 +65,7 @@ opentelemetry-api==1.39.1 ; python_version >= "3.12" and python_version < "4.0"
 opentelemetry-proto==1.39.1 ; python_version >= "3.12" and python_version < "4.0"
 opentelemetry-sdk==1.39.1 ; python_version >= "3.12" and python_version < "4.0"
 opentelemetry-semantic-conventions==0.60b1 ; python_version >= "3.12" and python_version < "4.0"
+orjson==3.11.5 ; python_version >= "3.12" and python_version < "4.0"
 packaging==25.0 ; python_version >= "3.12" and python_version < "4.0"
 pandas==2.3.3 ; python_version >= "3.12" and python_version < "4.0"
 pillow==12.0.0 ; python_version >= "3.12" and python_version < "4.0"
@@ -66,17 +76,23 @@ pyasn1==0.6.1 ; python_version >= "3.12" and python_version < "4.0"
 pycparser==2.23 ; python_version >= "3.12" and python_version < "4.0" and platform_python_implementation != "PyPy" and implementation_name != "PyPy"
 pydantic-core==2.41.5 ; python_version >= "3.12" and python_version < "4.0"
 pydantic==2.12.5 ; python_version >= "3.12" and python_version < "4.0"
+pydub==0.25.1 ; python_version >= "3.12" and python_version < "4.0"
+pygments==2.19.2 ; python_version >= "3.12" and python_version < "4.0"
 pyparsing==3.3.1 ; python_version >= "3.12" and python_version < "4.0"
 python-dateutil==2.9.0.post0 ; python_version >= "3.12" and python_version < "4.0"
 python-dotenv==1.2.1 ; python_version >= "3.12" and python_version < "4.0"
 python-json-logger==4.0.0 ; python_version >= "3.12" and python_version < "4.0"
+python-multipart==0.0.21 ; python_version >= "3.12" and python_version < "4.0"
 pytz==2025.2 ; python_version >= "3.12" and python_version < "4.0"
 pywin32==311 ; python_version >= "3.12" and python_version < "4.0" and sys_platform == "win32"
 pyyaml==6.0.3 ; python_version >= "3.12" and python_version < "4.0"
 requests==2.32.5 ; python_version >= "3.12" and python_version < "4.0"
+rich==14.2.0 ; python_version >= "3.12" and python_version < "4.0"
 rsa==4.9.1 ; python_version >= "3.12" and python_version < "4.0"
+safehttpx==0.1.7 ; python_version >= "3.12" and python_version < "4.0"
 scikit-learn==1.6.1 ; python_version >= "3.12" and python_version < "4.0"
 scipy==1.16.3 ; python_version >= "3.12" and python_version < "4.0"
+semantic-version==2.10.0 ; python_version >= "3.12" and python_version < "4.0"
 shellingham==1.5.4 ; python_version >= "3.12" and python_version < "4.0"
 six==1.17.0 ; python_version >= "3.12" and python_version < "4.0"
 sklearn-compat==0.1.5 ; python_version >= "3.12" and python_version < "4.0"
@@ -86,8 +102,10 @@ sqlalchemy==2.0.45 ; python_version >= "3.12" and python_version < "4.0"
 sqlparse==0.5.5 ; python_version >= "3.12" and python_version < "4.0"
 starlette==0.46.2 ; python_version >= "3.12" and python_version < "4.0"
 threadpoolctl==3.6.0 ; python_version >= "3.12" and python_version < "4.0"
+tomlkit==0.13.3 ; python_version >= "3.12" and python_version < "4.0"
 tqdm==4.67.1 ; python_version >= "3.12" and python_version < "4.0"
 typer-slim==0.21.0 ; python_version >= "3.12" and python_version < "4.0"
+typer==0.21.0 ; python_version >= "3.12" and python_version < "4.0"
 typing-extensions==4.15.0 ; python_version >= "3.12" and python_version < "4.0"
 typing-inspection==0.4.2 ; python_version >= "3.12" and python_version < "4.0"
 tzdata==2025.3 ; python_version >= "3.12" and python_version < "4.0"

src/gradio_ui.py

@@ -0,0 +1,492 @@
+#!/usr/bin/env python3
+"""
+Interface Gradio pour l'API Employee Turnover Prediction.
+
+Cette interface permet de:
+- Tester les prédictions de manière interactive
+- Visualiser la documentation de l'API
+- Comprendre les champs requis
+"""
+import gradio as gr
+
+from src.models import load_model, get_model_info
+from src.preprocessing import preprocess_for_prediction
+from src.schemas import EmployeeInput
+
+
+def predict_turnover(
+    # SONDAGE
+    nombre_participation_pee: int,
+    nb_formations_suivies: int,
+    nombre_employee_sous_responsabilite: int,
+    distance_domicile_travail: int,
+    niveau_education: int,
+    domaine_etude: str,
+    ayant_enfants: str,
+    frequence_deplacement: str,
+    annees_depuis_la_derniere_promotion: int,
+    annes_sous_responsable_actuel: int,
+    # EVALUATION
+    satisfaction_employee_environnement: int,
+    note_evaluation_precedente: int,
+    niveau_hierarchique_poste: int,
+    satisfaction_employee_nature_travail: int,
+    satisfaction_employee_equipe: int,
+    satisfaction_employee_equilibre_pro_perso: int,
+    note_evaluation_actuelle: int,
+    heure_supplementaires: str,
+    augementation_salaire_precedente: float,
+    # SIRH
+    age: int,
+    genre: str,
+    revenu_mensuel: float,
+    statut_marital: str,
+    departement: str,
+    poste: str,
+    nombre_experiences_precedentes: int,
+    nombre_heures_travailless: int,
+    annee_experience_totale: int,
+    annees_dans_l_entreprise: int,
+    annees_dans_le_poste_actuel: int,
+) -> str:
+    """Effectue une prédiction de turnover."""
+    try:
+        # Créer l'objet EmployeeInput
+        employee = EmployeeInput(
+            nombre_participation_pee=nombre_participation_pee,
+            nb_formations_suivies=nb_formations_suivies,
+            nombre_employee_sous_responsabilite=nombre_employee_sous_responsabilite,
+            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=nombre_heures_travailless,
+            annee_experience_totale=annee_experience_totale,
+            annees_dans_l_entreprise=annees_dans_l_entreprise,
+            annees_dans_le_poste_actuel=annees_dans_le_poste_actuel,
+        )
+
+        # Préprocessing
+        features = preprocess_for_prediction(employee)
+
+        # Prédiction
+        model = load_model()
+        prediction = model.predict(features)[0]
+        proba = model.predict_proba(features)[0]
+
+        # Résultat
+        risk_level = "🔴 RISQUE ÉLEVÉ" if prediction == 1 else "🟢 RISQUE FAIBLE"
+        confidence = max(proba) * 100
+
+        result = f"""
+## {risk_level}
+
+### Résultat de la prédiction
+- **Prédiction**: {"Départ probable" if prediction == 1 else "Maintien probable"}
+- **Confiance**: {confidence:.1f}%
+- **Probabilité de départ**: {proba[1] * 100:.1f}%
+- **Probabilité de maintien**: {proba[0] * 100:.1f}%
+
+### Interprétation
+{"⚠️ Cet employé présente des facteurs de risque de départ. Il est recommandé d'engager un dialogue pour comprendre ses attentes." if prediction == 1 else "✅ Cet employé semble stable. Continuez à maintenir un environnement de travail positif."}
+"""
+        return result
+
+    except Exception as e:
+        return f"❌ **Erreur**: {str(e)}"
+
+
+# Documentation de l'API
+API_DOCS = """
+# 🚀 Employee Turnover Prediction API
+
+## Description
+Cette API prédit le risque de départ (turnover) d'un employé en utilisant un modèle
+de Machine Learning entraîné sur des données RH.
+
+## Endpoints disponibles
+
+### `GET /`
+Page d'accueil avec informations sur l'API.
+
+### `GET /health`
+Vérification de l'état de l'API.
+```bash
+curl https://asi-engineer-oc-p5-dev.hf.space/health
+```
+
+### `GET /docs`
+Documentation Swagger interactive.
+
+### `POST /predict`
+Effectue une prédiction de turnover.
+
+## Exemple d'utilisation avec curl
+
+```bash
+curl -X POST https://asi-engineer-oc-p5-dev.hf.space/predict \\
+  -H "Content-Type: application/json" \\
+  -d '{
+    "nombre_participation_pee": 0,
+    "nb_formations_suivies": 2,
+    "nombre_employee_sous_responsabilite": 1,
+    "distance_domicile_travail": 15,
+    "niveau_education": 3,
+    "domaine_etude": "Infra & Cloud",
+    "ayant_enfants": "Y",
+    "frequence_deplacement": "Occasionnel",
+    "annees_depuis_la_derniere_promotion": 2,
+    "annes_sous_responsable_actuel": 5,
+    "satisfaction_employee_environnement": 3,
+    "note_evaluation_precedente": 4,
+    "niveau_hierarchique_poste": 2,
+    "satisfaction_employee_nature_travail": 3,
+    "satisfaction_employee_equipe": 3,
+    "satisfaction_employee_equilibre_pro_perso": 2,
+    "note_evaluation_actuelle": 4,
+    "heure_supplementaires": "Non",
+    "augementation_salaire_precedente": 5.5,
+    "age": 35,
+    "genre": "M",
+    "revenu_mensuel": 4500.0,
+    "statut_marital": "Marié(e)",
+    "departement": "Commercial",
+    "poste": "Manager",
+    "nombre_experiences_precedentes": 3,
+    "nombre_heures_travailless": 45,
+    "annee_experience_totale": 10,
+    "annees_dans_l_entreprise": 5,
+    "annees_dans_le_poste_actuel": 2
+  }'
+```
+
+## Exemple avec Python
+
+```python
+import requests
+
+url = "https://asi-engineer-oc-p5-dev.hf.space/predict"
+
+data = {
+    "nombre_participation_pee": 0,
+    "nb_formations_suivies": 2,
+    "nombre_employee_sous_responsabilite": 1,
+    "distance_domicile_travail": 15,
+    "niveau_education": 3,
+    "domaine_etude": "Infra & Cloud",
+    "ayant_enfants": "Y",
+    "frequence_deplacement": "Occasionnel",
+    "annees_depuis_la_derniere_promotion": 2,
+    "annes_sous_responsable_actuel": 5,
+    "satisfaction_employee_environnement": 3,
+    "note_evaluation_precedente": 4,
+    "niveau_hierarchique_poste": 2,
+    "satisfaction_employee_nature_travail": 3,
+    "satisfaction_employee_equipe": 3,
+    "satisfaction_employee_equilibre_pro_perso": 2,
+    "note_evaluation_actuelle": 4,
+    "heure_supplementaires": "Non",
+    "augementation_salaire_precedente": 5.5,
+    "age": 35,
+    "genre": "M",
+    "revenu_mensuel": 4500.0,
+    "statut_marital": "Marié(e)",
+    "departement": "Commercial",
+    "poste": "Manager",
+    "nombre_experiences_precedentes": 3,
+    "nombre_heures_travailless": 45,
+    "annee_experience_totale": 10,
+    "annees_dans_l_entreprise": 5,
+    "annees_dans_le_poste_actuel": 2
+}
+
+response = requests.post(url, json=data)
+print(response.json())
+```
+
+## Réponse attendue
+
+```json
+{
+  "prediction": 0,
+  "probability": {
+    "stay": 0.85,
+    "leave": 0.15
+  },
+  "risk_level": "low",
+  "model_version": "1.0.0"
+}
+```
+
+## Codes d'erreur
+
+| Code | Description |
+|------|-------------|
+| 200 | Succès |
+| 422 | Données invalides (validation Pydantic) |
+| 429 | Trop de requêtes (rate limit: 20/min) |
+| 500 | Erreur serveur |
+
+## Modèle utilisé
+
+- **Type**: XGBoost Pipeline
+- **Source**: HuggingFace Hub (`ASI-Engineer/employee-turnover-model`)
+- **Features**: 25 variables RH (sondage, évaluation, SIRH)
+"""
+
+
+def create_gradio_interface():
+    """Crée l'interface Gradio complète."""
+
+    # Obtenir les infos du modèle
+    try:
+        model_info = get_model_info()
+        model_status = f"✅ Modèle chargé: {model_info.get('type', 'Unknown')}"
+    except Exception:
+        model_status = "⏳ Modèle en cours de chargement..."
+
+    with gr.Blocks(
+        title="Employee Turnover Prediction",
+    ) as demo:
+        gr.Markdown(
+            """
+        # 🏢 Employee Turnover Prediction
+
+        Prédisez le risque de départ d'un employé grâce au Machine Learning.
+
+        **Naviguez entre les onglets** pour utiliser l'interface de prédiction
+        ou consulter la documentation de l'API.
+        """
+        )
+
+        gr.Markdown(f"**Statut**: {model_status}")
+
+        with gr.Tabs():
+            # Onglet Prédiction
+            with gr.TabItem("🎯 Prédiction"):
+                gr.Markdown("### Remplissez les informations de l'employé")
+
+                with gr.Row():
+                    # Colonne SONDAGE
+                    with gr.Column():
+                        gr.Markdown("#### 📋 Données Sondage")
+                        nombre_participation_pee = gr.Slider(
+                            0, 10, value=0, step=1, label="Participations PEE"
+                        )
+                        nb_formations_suivies = gr.Slider(
+                            0, 10, value=2, step=1, label="Formations suivies"
+                        )
+                        nombre_employee_sous_responsabilite = gr.Slider(
+                            0, 20, value=0, step=1, label="Employés sous responsabilité"
+                        )
+                        distance_domicile_travail = gr.Slider(
+                            0, 50, value=15, step=1, label="Distance domicile (km)"
+                        )
+                        niveau_education = gr.Slider(
+                            1, 5, value=3, step=1, label="Niveau éducation (1-5)"
+                        )
+                        domaine_etude = gr.Dropdown(
+                            ["Infra & Cloud", "Transformation Digitale", "Autre"],
+                            value="Infra & Cloud",
+                            label="Domaine d'études",
+                        )
+                        ayant_enfants = gr.Radio(
+                            ["Y", "N"], value="N", label="A des enfants"
+                        )
+                        frequence_deplacement = gr.Dropdown(
+                            ["Aucun", "Occasionnel", "Frequent"],
+                            value="Occasionnel",
+                            label="Fréquence déplacements",
+                        )
+                        annees_depuis_la_derniere_promotion = gr.Slider(
+                            0, 15, value=2, step=1, label="Années depuis promotion"
+                        )
+                        annes_sous_responsable_actuel = gr.Slider(
+                            0, 20, value=3, step=1, label="Années sous responsable"
+                        )
+
+                    # Colonne EVALUATION
+                    with gr.Column():
+                        gr.Markdown("#### 📊 Données Évaluation")
+                        satisfaction_employee_environnement = gr.Slider(
+                            1, 5, value=3, step=1, label="Satisfaction environnement"
+                        )
+                        note_evaluation_precedente = gr.Slider(
+                            1, 5, value=3, step=1, label="Évaluation précédente"
+                        )
+                        niveau_hierarchique_poste = gr.Slider(
+                            1, 5, value=2, step=1, label="Niveau hiérarchique"
+                        )
+                        satisfaction_employee_nature_travail = gr.Slider(
+                            1, 5, value=3, step=1, label="Satisfaction nature travail"
+                        )
+                        satisfaction_employee_equipe = gr.Slider(
+                            1, 5, value=3, step=1, label="Satisfaction équipe"
+                        )
+                        satisfaction_employee_equilibre_pro_perso = gr.Slider(
+                            1, 5, value=3, step=1, label="Équilibre pro/perso"
+                        )
+                        note_evaluation_actuelle = gr.Slider(
+                            1, 5, value=3, step=1, label="Évaluation actuelle"
+                        )
+                        heure_supplementaires = gr.Radio(
+                            ["Oui", "Non"], value="Non", label="Heures supplémentaires"
+                        )
+                        augementation_salaire_precedente = gr.Slider(
+                            0,
+                            25,
+                            value=5.0,
+                            step=0.5,
+                            label="Augmentation précédente (%)",
+                        )
+
+                    # Colonne SIRH
+                    with gr.Column():
+                        gr.Markdown("#### 👤 Données SIRH")
+                        age = gr.Slider(18, 65, value=35, step=1, label="Âge")
+                        genre = gr.Radio(["M", "F"], value="M", label="Genre")
+                        revenu_mensuel = gr.Slider(
+                            1500,
+                            15000,
+                            value=4500,
+                            step=100,
+                            label="Revenu mensuel (€)",
+                        )
+                        statut_marital = gr.Dropdown(
+                            ["Célibataire", "Marié(e)", "Divorcé(e)"],
+                            value="Célibataire",
+                            label="Statut marital",
+                        )
+                        departement = gr.Dropdown(
+                            ["Commercial", "Consulting"],
+                            value="Commercial",
+                            label="Département",
+                        )
+                        poste = gr.Textbox(value="Consultant", label="Poste")
+                        nombre_experiences_precedentes = gr.Slider(
+                            0, 10, value=2, step=1, label="Expériences précédentes"
+                        )
+                        nombre_heures_travailless = gr.Slider(
+                            35, 80, value=40, step=1, label="Heures travaillées/sem"
+                        )
+                        annee_experience_totale = gr.Slider(
+                            0, 40, value=10, step=1, label="Années d'expérience totale"
+                        )
+                        annees_dans_l_entreprise = gr.Slider(
+                            0, 30, value=5, step=1, label="Années dans l'entreprise"
+                        )
+                        annees_dans_le_poste_actuel = gr.Slider(
+                            0, 20, value=2, step=1, label="Années dans le poste"
+                        )
+
+                # Bouton et résultat
+                predict_btn = gr.Button(
+                    "🔮 Prédire le risque de départ", variant="primary"
+                )
+                result = gr.Markdown(label="Résultat")
+
+                predict_btn.click(
+                    fn=predict_turnover,
+                    inputs=[
+                        nombre_participation_pee,
+                        nb_formations_suivies,
+                        nombre_employee_sous_responsabilite,
+                        distance_domicile_travail,
+                        niveau_education,
+                        domaine_etude,
+                        ayant_enfants,
+                        frequence_deplacement,
+                        annees_depuis_la_derniere_promotion,
+                        annes_sous_responsable_actuel,
+                        satisfaction_employee_environnement,
+                        note_evaluation_precedente,
+                        niveau_hierarchique_poste,
+                        satisfaction_employee_nature_travail,
+                        satisfaction_employee_equipe,
+                        satisfaction_employee_equilibre_pro_perso,
+                        note_evaluation_actuelle,
+                        heure_supplementaires,
+                        augementation_salaire_precedente,
+                        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,
+                    ],
+                    outputs=result,
+                )
+
+            # Onglet Documentation
+            with gr.TabItem("📚 Documentation API"):
+                gr.Markdown(API_DOCS)
+
+            # Onglet À propos
+            with gr.TabItem("ℹ️ À propos"):
+                gr.Markdown(
+                    """
+                ## À propos de ce projet
+
+                ### 🎓 Contexte
+                Ce projet a été réalisé dans le cadre du **Projet 5 OpenClassrooms** :
+                "Déployez votre modèle de Machine Learning".
+
+                ### 🎯 Objectif
+                Développer une API de prédiction du turnover (départ) des employés,
+                permettant aux équipes RH d'anticiper et de prévenir les départs.
+
+                ### 🛠️ Technologies utilisées
+                - **FastAPI** : Framework API REST performant
+                - **XGBoost** : Modèle de Machine Learning
+                - **Gradio** : Interface utilisateur
+                - **HuggingFace Hub** : Hébergement du modèle
+                - **HuggingFace Spaces** : Déploiement de l'application
+                - **GitHub Actions** : CI/CD automatisé
+
+                ### 📊 Le modèle
+                Le modèle a été entraîné sur des données RH comprenant :
+                - Données de sondage de satisfaction
+                - Données d'évaluation de performance
+                - Données administratives SIRH
+
+                ### 🔗 Liens utiles
+                - [GitHub Repository](https://github.com/chaton59/OC_P5)
+                - [API Documentation (Swagger)](/docs)
+                - [HuggingFace Model](https://huggingface.co/ASI-Engineer/employee-turnover-model)
+
+                ### 👤 Auteur
+                Projet OpenClassrooms - Formation Data Scientist
+                """
+                )
+
+    return demo
+
+
+# Pour lancer en standalone
+if __name__ == "__main__":
+    demo = create_gradio_interface()
+    demo.launch(server_name="0.0.0.0", server_port=7860)