Upload README.md with huggingface_hub

README.md

@@ -1,324 +1,106 @@
-# 🚀 Employee Turnover Prediction API - v3.2.1
+---
+title: Employee Turnover Prediction API
+emoji: 👔
+colorFrom: blue
+colorTo: purple
+sdk: docker
+pinned: true
+license: mit
+app_port: 7860
+---
 
-## 📊 Vue d'ensemble
 
-API REST de prédiction du turnover des employés basée sur un modèle XGBoost avec SMOTE.
+# Employee Turnover Prediction API 🚀 (v3.2.1)
 
+API de prédiction du turnover des employés (XGBoost + SMOTE) avec endpoints batch, validation stricte et documentation à jour.
 
-**✨ Nouveautés v3.2.1** :
-- 🎛️ Sliders Gradio et schémas Pydantic alignés sur les min/max réels des données d'entraînement
-- 📦 Endpoint batch CSV (3 fichiers bruts)
-- 🔑 Authentification API Key (prod)
-- 🔧 Correction preprocessing (scaling, ordre des colonnes)
-- 📝 Documentation et exemples mis à jour
-
-## 🏗️ 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
-## 🗄️ Schéma de la Base de Données (PostgreSQL)
-
-Schéma UML pour traçabilité ML (basé sur P5 prédiction turnover employé) :
-![Schéma BDD](docs/schema.png)
-
-- **dataset** : Dataset original (référence pour tests/retraining). Colonnes adaptées au modèle de prédiction turnover.
-- **ml_logs** : Logs inputs/outputs (JSON pour flexibilité, timestamp pour audits).
-
-Choix : Structure relationnelle pour efficacité volume data ; sécurité via user dédié (ml_user).
-Instructions : Voir create_db.py pour création.
-
-📖 **Guide complet pour débutants** : [docs/database_guide.md](docs/database_guide.md)
-
-### 💾 Insertion du Dataset
-```bash
-# Insérer le dataset complet (1470 employés)
-poetry run python scripts/insert_dataset.py
-
-# Vérifier l'insertion
-psql -h localhost -U ml_user -d oc_p5_db -c "SELECT COUNT(*) FROM dataset;"
-```
-
-### 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
-
-# 5. Accéder à la documentation
-# http://localhost:8000/docs
-```
-
-## 📝 Configuration (.env)
+## 🎯 Fonctionnalités
 
-```bash
-# Mode développement (désactive auth + active logs détaillés)
-DEBUG=true
+- ✅ Prédiction de turnover (0 = reste, 1 = part)
+- 📦 Endpoint batch CSV (3 fichiers bruts)
+- 🎛️ Sliders Gradio et schémas Pydantic alignés sur les min/max réels
+- 📊 Probabilités et niveau de risque (Low/Medium/High)
+- 🔐 Authentification API Key (obligatoire)
+- 📝 Logs structurés JSON
+- 🛡️ Rate limiting (20 req/min)
+- 📚 Documentation OpenAPI/Swagger
 
-# API Key (requis en production)
-API_KEY=your-secret-key-here
 
-# Logging (DEBUG, INFO, WARNING, ERROR, CRITICAL)
-LOG_LEVEL=INFO
+## 🔗 Endpoints
 
-# HuggingFace Model
-HF_MODEL_REPO=ASI-Engineer/employee-turnover-model
-MODEL_FILENAME=model/model.pkl
-```
+| Endpoint | Description |
+|----------|-------------|
+| `/docs` | Documentation interactive Swagger |
+| `/health` | Status de l'API |
+| `/ui` | Interface Gradio interactive |
+| `/predict` | Prédiction unitaire (JSON, contraintes réelles) |
+| `/predict/batch` | Prédiction batch (3 fichiers CSV bruts) |
 
-## 🔒 Authentification
 
-### Mode DEBUG (développement)
-```bash
-# L'API Key n'est PAS requise
-curl http://localhost:8000/predict -H "Content-Type: application/json" -d '{...}'
-```
+## 🚀 Utilisation
 
-### Mode PRODUCTION
+### Prédiction unitaire (toutes contraintes appliquées)
 ```bash
-# L'API Key est REQUISE
-curl http://localhost:8000/predict \
-  -H "X-API-Key: your-secret-key" \
+curl -X POST https://asi-engineer-oc-p5-dev.hf.space/predict \
   -H "Content-Type: application/json" \
-  -d '{...}'
-```
-
-
-## 📡 Endpoints
-
-### 🏥 Health Check
-```bash
-GET /health
-
-# Réponse
-{
-  "status": "healthy",
-  "model_loaded": true,
-  "model_type": "Pipeline",
-  "version": "3.2.1"
-}
-```
-
-### 🔮 Prédiction unitaire
-```bash
-POST /predict
-Content-Type: application/json
-X-API-Key: your-key (en production)
-
-# Payload (exemple, contraintes réelles appliquées)
-{
-  "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": 80,
-  "annee_experience_totale": 10,
-  "annees_dans_l_entreprise": 5,
-  "annees_dans_le_poste_actuel": 2
-}
-
-# 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
-}
+  -H "X-API-Key: your-key" \
+  -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": 80,
+    "annee_experience_totale": 10,
+    "annees_dans_l_entreprise": 5,
+    "annees_dans_le_poste_actuel": 2
+  }'
 ```
 
-### 📦 Prédiction batch (CSV)
+### Prédiction batch (3 fichiers CSV bruts)
 ```bash
-POST /predict/batch
-X-API-Key: your-key (en production)
-
-# Envoi des 3 fichiers CSV bruts
-curl -X POST "http://localhost:8000/predict/batch" \
+curl -X POST https://asi-engineer-oc-p5-dev.hf.space/predict/batch \
   -H "X-API-Key: your-key" \
-  -F "sondage_file=@data/extrait_sondage.csv" \
-  -F "eval_file=@data/extrait_eval.csv" \
-  -F "sirh_file=@data/extrait_sirh.csv"
+  -F "sondage_file=@extrait_sondage.csv" \
+  -F "eval_file=@extrait_eval.csv" \
+  -F "sirh_file=@extrait_sirh.csv"
+```
 
-# Réponse
+**Réponse :**
+```json
 {
   "total_employees": 1470,
-  "predictions": [
-    {"employee_id": 1, "prediction": 1, "probability_leave": 0.84, "risk_level": "High"},
-    {"employee_id": 2, "prediction": 0, "probability_leave": 0.11, "risk_level": "Low"}
-  ],
+  "predictions": [...],
   "summary": {
     "total_stay": 1169,
     "total_leave": 301,
-    "high_risk_count": 222,
-    "medium_risk_count": 233,
-    "low_risk_count": 1015
+    "high_risk_count": 222
   }
 }
 ```
 
-## 📊 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
-
-### v3.2.1 (janvier 2026)
-- 🎛️ Sliders Gradio et schémas Pydantic alignés sur les min/max réels des données d'entraînement
-- 📦 Endpoint batch CSV (3 fichiers bruts)
-- 🔑 Authentification API Key (prod)
-- 🔧 Correction preprocessing (scaling, ordre des colonnes)
-- 📝 Documentation et exemples mis à jour
-
-### v2.2.0 (27 décembre 2025)
-- 📦 Nouvel endpoint `/predict/batch` pour traitement CSV direct
-- 🔧 Fix preprocessing : ajout du scaling des features
-- 🔧 Fix preprocessing : correction de l'ordre des colonnes
-- 📊 Amélioration précision des prédictions (~90%)
-
-### 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 (36 tests)
-- 🔐 Authentification API Key
-- 📊 88% de couverture de code
 
-## 👥 Auteurs
+## 📚 Documentation complète
 
-- **Projet** : OpenClassrooms P5
-- **Repo** : [github.com/chaton59/OC_P5](https://github.com/chaton59/OC_P5)
+Voir [docs/API.md](docs/API.md) ou le [GitHub Repository](https://github.com/chaton59/OC_P5) pour la documentation complète et les contraintes détaillées (min/max, enums, etc).