Upload README.md with huggingface_hub

README.md

@@ -1,447 +1,107 @@
-<div align="center">
-
-# 🚀 Employee Turnover Prediction API
-
-[![Python Version](https://img.shields.io/badge/python-3.12+-blue.svg)](https://www.python.org/downloads/)
-[![FastAPI](https://img.shields.io/badge/FastAPI-0.115.14-009688.svg)](https://fastapi.tiangolo.com)
-[![Code Coverage](https://img.shields.io/badge/coverage-70.26%25-yellow.svg)](htmlcov/index.html)
-[![Tests](https://img.shields.io/badge/tests-97%20passed-success.svg)](tests/)
-[![License](https://img.shields.io/badge/license-MIT-blue.svg)](LICENSE)
-
-**API REST de prédiction du turnover des employés basée sur Machine Learning (XGBoost + SMOTE)**
-
-[🔗 Demo Production](https://asi-engineer-oc-p5.hf.space) · [📚 Documentation](docs/) · [🐛 Report Bug](https://github.com/chaton59/OC_P5/issues) · [💡 Request Feature](https://github.com/chaton59/OC_P5/issues)
-
-</div>
-
 ---
-
-## 📋 Table des Matières
-
-- [À Propos du Projet](#-à-propos-du-projet)
-- [Architecture](#-architecture)
-- [Choix Techniques](#-choix-techniques)
-- [Installation](#-installation)
-- [Utilisation](#-utilisation)
-- [Déploiement](#-déploiement)
-- [Mise à Jour](#-mise-à-jour)
-- [Tests](#-tests)
-- [Documentation](#-documentation)
-- [Changelog](#-changelog)
-- [Auteurs](#-auteurs)
-- [Licence](#-licence)
-
+title: Employee Turnover Prediction API
+emoji: 👔
+colorFrom: blue
+colorTo: purple
+sdk: gradio
+pinned: true
+license: mit
+app_port: 7860
 ---
 
-## 📊 À Propos du Projet
-
-### Vue d'ensemble
-
-Ce projet déploie un **modèle de Machine Learning** en production via une **API REST moderne** pour prédire le risque de départ des employés d'une entreprise. Développé dans le cadre du projet OpenClassrooms P5 "Déployez votre modèle de Machine Learning", il illustre les **meilleures pratiques** d'ingénierie logicielle et de MLOps.
-
-### Problématique
-
-Les entreprises perdent des talents clés sans pouvoir anticiper. Ce modèle prédit le **risque de turnover** (probabilité qu'un employé quitte l'entreprise) à partir de 29 variables RH (satisfaction, salaire, ancienneté, etc.).
-
-### Solution
-
-API REST performante exposant un modèle **XGBoost optimisé** avec :
-- ✅ **Validation robuste** des données via Pydantic
-- ✅ **Prédictions en temps réel** (<2s) ou par batch (CSV)
-- ✅ **Traçabilité complète** via PostgreSQL et logs JSON
-- ✅ **Monitoring** et health checks intégrés
-- ✅ **CI/CD automatisé** avec GitHub Actions
-- ✅ **Déploiement cloud** sur HuggingFace Spaces
-
-### Performances du Modèle
-
-| Métrique | Valeur | Interprétation |
-|----------|--------|----------------|
-| **F1 Score** | 0.85 | Excellent équilibre précision/recall |
-| **Recall** | 0.88 | Détecte 88% des départs réels |
-| **Precision** | 0.82 | 82% des prédictions "départ" sont correctes |
-| **ROC AUC** | 0.91 | Excellente capacité de discrimination |
 
-📊 Voir [docs/MODEL_TECHNICAL.md](docs/MODEL_TECHNICAL.md) pour analyse détaillée.
+# Employee Turnover Prediction API 🚀 (v3.3.0)
 
-### Fonctionnalités Clés
+API de prédiction du turnover des employés (XGBoost + SMOTE) avec endpoints batch, validation stricte et **documentation complète**.
 
+## 🎯 Fonctionnalités
 
-- 🔮 **Prédiction unitaire** : Prédit le risque pour un employé (JSON)
-- 📦 **Prédiction batch** : Traite des fichiers CSV complets (1000+ employés)
-- 🔐 **Authentification** : API Key sécurisée (production)
-- 🛡️ **Rate limiting** : 20 req/min pour éviter les abus
-- 📊 **Monitoring** : Health check et logs structurés JSON
-- 🎨 **Interface Gradio** : UI web pour tests interactifs
-- 📚 **Documentation auto** : Swagger UI et ReDoc intégrés
-- 🗄️ **Traçabilité** : Toutes les prédictions enregistrées en base PostgreSQL
-
-**Version actuelle** : 3.2.1 | **Dernière mise à jour** : Janvier 2026
-
----
-
-## 🏗️ Architecture
-
-### Vue d'ensemble High-Level
-
-```
-┌──────────────┐         ┌──────────────┐         ┌──────────────┐
-│   CLIENT     │────────▶│   API REST   │────────▶│  BASE DE     │
-│              │  JSON   │   (FastAPI)  │  SQL    │  DONNÉES     │
-│  • curl      │         │              │         │ (PostgreSQL) │
-│  • Python    │         │  • Validation│         │              │
-│  • JS        │◀────────│  • Authent.  │◀────────│  • dataset   │
-│  • Postman   │  200 OK │  • Logging   │  SELECT │  • ml_logs   │
-└──────────────┘         └──────┬───────┘         └──────────────┘
-                                │
-                                ▼
-                         ┌──────────────┐
-                         │   MODÈLE ML  │
-                         │  (XGBoost +  │
-                         │    SMOTE)    │
-                         │              │
-                         │ HF Hub Cache │
-                         └──────────────┘
-```
-
-### Pipeline de Prédiction
-
-```
-Données brutes
-    │
-    ▼
-┌─────────────────────┐
-│  1. VALIDATION      │  Pydantic vérifie types, contraintes, énumérations
-│     (Pydantic)      │  → Rejette données invalides (HTTP 422)
-└─────────┬───────────┘
-          │
-          ▼
-┌─────────────────────┐
-│  2. PREPROCESSING   │  • Feature engineering (ratios, moyennes)
-│     (StandardScaler)│  • OneHot encoding (catégorielles non-ordonnées)
-│                     │  • Ordinal encoding (fréquence déplacements)
-└─────────┬───────────┘  • Scaling (StandardScaler)
-          │
-          ▼
-┌─────────────────────┐
-│  3. PRÉDICTION      │  XGBoost prédit classe (0/1) + probabilités
-│     (XGBoost)       │  • 0 = Reste dans l'entreprise
-└─────────┬───────────┘  • 1 = Va quitter l'entreprise
-          │
-          ▼
-┌─────────────────────┐
-│  4. POST-TRAITEMENT │  • Calcul niveau de risque (Low/Medium/High)
-│     (API)           │  • Enregistrement en DB (ml_logs)
-└─────────┬───────────┘  • Logging structuré JSON
-          │
-          ▼
-    Réponse JSON
-```
-
-### Structure du Projet
-
-```
-OC_P5/
-├── api.py                      # 🚪 Point d'entrée FastAPI principal
-├── app.py                      # 🎨 Point d'entrée Gradio (HF Spaces)
-├── src/
-│   ├── auth.py                 # 🔐 Authentification API Key
-│   ├── config.py               # ⚙️ Configuration centralisée (.env)
-│   ├── logger.py               # 📝 Logging structuré JSON
-│   ├── models.py               # 🤖 Chargement modèle depuis HuggingFace Hub
-│   ├── preprocessing.py        # 🔧 Pipeline de preprocessing
-│   ├── rate_limit.py           # 🛡️ Rate limiting (SlowAPI)
-│   ├── schemas.py              # ✅ Validation Pydantic (29 champs)
-│   └── gradio_ui.py            # 🎨 Interface Gradio web
-├── tests/                      # ✅ Suite de tests (97 tests, 70% coverage)
-│   ├── test_api_auth.py        # Tests authentification
-│   ├── test_api_predict.py     # Tests prédictions
-│   ├── test_api_validation.py  # Tests validation Pydantic
-│   ├── test_database.py        # Tests PostgreSQL
-│   └── test_model.py           # Tests modèle ML
-├── ml_model/                   # 🎓 Scripts d'entraînement
-│   ├── main.py                 # Pipeline complet train
-│   ├── train_model.py          # Training XGBoost + MLflow
-│   └── preprocess.py           # Preprocessing dataset
-├── scripts/                    # 🔧 Scripts utilitaires
-│   ├── create_db.py            # Création base PostgreSQL
-│   └── insert_dataset.py       # Insertion données
-├── docs/                       # 📚 Documentation complète
-│   ├── API_GUIDE.md            # Guide API détaillé
-│   ├── MODEL_TECHNICAL.md      # Doc technique modèle
-│   ├── DEPLOYMENT.md           # Guide déploiement
-│   ├── TRAINING.md             # Guide entraînement
-│   └── database_guide.md       # Guide PostgreSQL
-├── data/                       # 📊 Données sources (1470 employés)
-│   ├── extrait_sondage.csv     # Données satisfaction
-│   ├── extrait_eval.csv        # Données évaluations
-│   └── extrait_sirh.csv        # Données RH administratives
-├── logs/                       # 📋 Logs JSON
-│   ├── api.log                 # Tous les événements
-│   └── error.log               # Erreurs uniquement
-├── .github/workflows/          # 🔄 CI/CD
-│   └── ci-cd.yml               # GitHub Actions (lint, test, deploy)
-├── pyproject.toml              # 📦 Configuration Poetry
-├── .env.example                # 🔑 Template variables environnement
-└── README.md                   # 📖 Ce fichier
-```
-
----
-
-## 🎯 Choix Techniques
-
-### Justifications des Technologies
-
-| Technologie | Alternative | Pourquoi ce choix ? |
-|-------------|-------------|---------------------|
-| **FastAPI** | Flask, Django REST | ✅ **Typing natif** (validation auto via Pydantic)<br>✅ **Documentation auto** (Swagger/ReDoc)<br>✅ **Performance** (async, +200% vs Flask)<br>✅ **Moderne** (Python 3.12, type hints) |
-| **PostgreSQL** | MongoDB, SQLite | ✅ **Relationnel** adapté aux données structurées RH<br>✅ **ACID** pour garantir intégrité<br>✅ **Scalabilité** (index, partitioning)<br>✅ **Outils matures** (DBeaver, pgAdmin) |
-| **XGBoost** | Random Forest, NN | ✅ **Performance** sur données tabulaires<br>✅ **Régularisation** intégrée (évite overfitting)<br>✅ **Feature importance** nativement<br>✅ **Rapide** (parallélisation) |
-| **SMOTE** | Class weights, Under-sampling | ✅ **Génère exemples synthétiques** (vs duplication)<br>✅ **Évite surapprentissage**<br>✅ **Intégré imblearn** (CV-safe)<br>✅ +7% F1 vs class weights |
-| **Pydantic** | Marshmallow, Cerberus | ✅ **Validation en C** (via Rust, très rapide)<br>✅ **Messages d'erreur clairs**<br>✅ **Intégration FastAPI** native<br>✅ **Type safety** compile-time |
-| **HuggingFace Hub** | S3, GCP Storage | ✅ **Gratuit** jusqu'à 100GB<br>✅ **Versioning** automatique<br>✅ **CDN global** (latence faible)<br>✅ **Communauté** ML active |
-| **Poetry** | pip, conda | ✅ **Lock file** (reproductibilité garantie)<br>✅ **Gestion dépendances** (résolution conflits)<br>✅ **Build/Publish** intégrés<br>✅ **pyproject.toml** standard moderne |
-| **GitHub Actions** | GitLab CI, Jenkins | ✅ **Gratuit** pour repos publics<br>✅ **Intégration GitHub** native<br>✅ **Marketplace** d'actions prêtes<br>✅ **Déploiement HF** simplifié |
-
-### Architecture Technique
-
-**Pattern utilisé** : **3-Tier Architecture** (Présentation - Logique - Données)
-
-```
-┌─────────────────────────────────────────────────────────────┐
-│                    PRESENTATION LAYER                        │
-│  • FastAPI (REST API)                                       │
-│  • Gradio (Web UI)                                          │
-│  • Swagger/ReDoc (Documentation interactive)                │
-└────────────────────────┬────────────────────────────────────┘
-                         │
-┌────────────────────────▼────────────────────────────────────┐
-│                     BUSINESS LAYER                           │
-│  • Validation (Pydantic)                                    │
-│  • Authentification (API Key)                               │
-│  • Rate Limiting (SlowAPI)                                  │
-│  • Preprocessing (Feature Engineering)                      │
-│  • Prédiction (XGBoost Model)                               │
-│  • Logging (JSON Structured)                                │
-└────────────────────────┬────────────────────────────────────┘
-                         │
-┌────────────────────────▼────────────────────────────────────┐
-│                      DATA LAYER                              │
-│  • PostgreSQL (Traçabilité prédictions)                     │
-│  • HuggingFace Hub (Modèle ML en cache)                     │
-│  • CSV Files (Données sources)                              │
-└─────────────────────────────────────────────────────────────┘
-```
-
----
-
-## ⚙️ Installation
-
-### Prérequis
-
-| Outil | Version | Installation |
-|-------|---------|--------------|
-| **Python** | 3.12+ | [python.org](https://www.python.org/downloads/) |
-| **Poetry** | 1.7+ | `curl -sSL https://install.python-poetry.org \| python3 -` |
-| **PostgreSQL** | 14+ | [postgresql.org](https://www.postgresql.org/download/) ou Docker |
-| **Git** | 2.0+ | [git-scm.com](https://git-scm.com/downloads) |
-
-### Étape 1 : Cloner le Repository
-
-
-
-```bash
-git clone https://github.com/chaton59/OC_P5.git
-cd OC_P5
-```
-
-### Étape 2 : Installer les Dépendances
-
-```bash
-# Installation via Poetry (recommandé)
-poetry install
-
-# Activer l'environnement virtuel
-poetry shell
-
-# OU utiliser pip (fallback)
-pip install -r requirements.txt
-```
-
-### Étape 3 : Configuration de l'Environnement
-
-```bash
-# Copier le template
-cp .env.example .env
-
-# Éditer .env avec vos valeurs
-nano .env  # ou vim, code, etc.
-```
-
-**Variables à configurer** (`.env`) :
-
-```bash
-# === MODE ===
-DEBUG=true  # false en production (active auth + rate limiting)
-
-# === API ===
-API_KEY=your-secret-api-key-here  # Générer avec: python -c "import secrets; print(secrets.token_urlsafe(32))"
-LOG_LEVEL=INFO  # DEBUG, INFO, WARNING, ERROR, CRITICAL
-
-# === DATABASE (PostgreSQL) ===
-DB_HOST=localhost
-DB_PORT=5432
-DB_NAME=oc_p5_db
-DB_USER=ml_user
-DB_PASSWORD=your-secure-password  # À changer !
-
-# === HUGGINGFACE ===
-HF_MODEL_REPO=ASI-Engineer/employee-turnover-model
-MODEL_FILENAME=model/model.pkl
-# HF_TOKEN=hf_xxx  # Optionnel (modèles publics)
-```
-
-### Étape 4 : Configurer la Base de Données PostgreSQL
-
-#### Option A : Installation locale PostgreSQL
-
-```bash
-# Ubuntu/Debian
-sudo apt update
-sudo apt install postgresql postgresql-contrib
-
-# macOS (via Homebrew)
-brew install postgresql@14
-brew services start postgresql@14
-
-# Windows : Télécharger depuis https://www.postgresql.org/download/windows/
-```
-
-#### Option B : Docker (recommandé pour développement)
-
-```bash
-# Démarrer PostgreSQL dans un conteneur
-docker run --name oc_p5_postgres \
-  -e POSTGRES_USER=ml_user \
-  -e POSTGRES_PASSWORD=your-password \
-  -e POSTGRES_DB=oc_p5_db \
-  -p 5432:5432 \
-  -d postgres:14
-```
-
-#### Créer les tables
-
-```bash
-# Créer les tables (dataset, ml_logs)
-poetry run python scripts/create_db.py
-
-# Insérer le dataset (1470 employés)
-poetry run python scripts/insert_dataset.py
+- ✅ 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 exhaustive** (Étape 6 OpenClassrooms)
 
-# Vérifier l'insertion
-psql -h localhost -U ml_user -d oc_p5_db -c "SELECT COUNT(*) FROM dataset;"
-# Résultat attendu : 1470
-```
 
-**Schéma de la base de données** :
+## 📚 Documentation Complète
 
-![Schéma BDD](docs/schema.png)
+| Document | Description | Lignes |
+|----------|-------------|--------|
+| **[README.md](https://github.com/chaton59/OC_P5/blob/main/README.md)** | Vue d'ensemble complète (restructuré Best-README-Template) | 841 |
+| **[API_GUIDE.md](https://github.com/chaton59/OC_P5/blob/main/docs/API_GUIDE.md)** | Guide API exhaustif avec 7 exemples (curl, Python, JS) | 981 |
+| **[MODEL_TECHNICAL.md](https://github.com/chaton59/OC_P5/blob/main/docs/MODEL_TECHNICAL.md)** | Documentation technique modèle (architecture, justifications) | 393 |
+| **[DEPLOYMENT.md](https://github.com/chaton59/OC_P5/blob/main/docs/DEPLOYMENT.md)** | Guide de déploiement (Docker, HF Spaces, CI/CD) | - |
+| **[TRAINING.md](https://github.com/chaton59/OC_P5/blob/main/docs/TRAINING.md)** | Guide d'entraînement (preprocessing, MLflow) | - |
+| **[Site MkDocs](https://github.com/chaton59/OC_P5/tree/main/docs)** | Documentation HTML navigable (17 pages, Material theme) | - |
 
-📖 **Guide complet débutant** : [docs/database_guide.md](docs/database_guide.md)
+**🌐 Site de documentation** : Générez localement avec `poetry run mkdocs serve`
 
-### Étape 5 : Vérifier l'Installation
 
-```bash
-# Tester que tout fonctionne
-poetry run pytest tests/ -v
+## 🔗 Endpoints
 
-# Résultat attendu : 97 tests passés (ou 86 si skipped déployés)
-```
+| 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) |
 
----
 
 ## 🚀 Utilisation
 
-### Démarrer l'API Localement
-
-```bash
-# Mode développement (avec auto-reload)
-poetry run uvicorn api:app --reload --host 127.0.0.1 --port 8000
-
-# Mode production
-poetry run uvicorn api:app --host 0.0.0.0 --port 8000 --workers 4
-```
-
-**URLs disponibles** :
-
-| Service | URL | Description |
-|---------|-----|-------------|
-| **API** | http://localhost:8000 | Endpoint principal |
-| **Swagger UI** | http://localhost:8000/docs | Documentation interactive |
-| **ReDoc** | http://localhost:8000/redoc | Documentation alternative |
-| **Health Check** | http://localhost:8000/health | Statut de l'API |
-| **Gradio UI** | http://localhost:8000/ui | Interface web (si activée) |
-
-### Exemples d'Appels API
-
-#### 1. Health Check
-
-```bash
-curl http://localhost:8000/health
-```
-
-**Réponse** :
-```json
-{
-  "status": "healthy",
-  "model_loaded": true,
-  "model_type": "Pipeline",
-  "version": "3.2.1"
-}
-```
-
-#### 2. Prédiction Unitaire (JSON)
-
+### Prédiction unitaire (toutes contraintes appliquées)
 ```bash
-# Sans authentification (DEBUG=true)
-curl -X POST http://localhost:8000/predict \
+curl -X POST https://asi-engineer-oc-p5-dev.hf.space/predict \
   -H "Content-Type: application/json" \
+  -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,
-    "satisfaction_employee_environnement": 3,
-    ...
+    "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
   }'
-
-# Avec authentification (DEBUG=false)
-curl -X POST http://localhost:8000/predict \
-  -H "X-API-Key: your-secret-key" \
-  -H "Content-Type: application/json" \
-  -d @employee.json
-```
-
-**Réponse** :
-```json
-{
-  "prediction": 0,
-  "probability_0": 0.85,
-  "probability_1": 0.15,
-  "risk_level": "Low"
-}
 ```
 
-#### 3. Prédiction Batch (CSV)
-
+### Prédiction batch (3 fichiers CSV bruts)
 ```bash
-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,
@@ -454,398 +114,7 @@ curl -X POST http://localhost:8000/predict/batch \
 }
 ```
 
-### Utilisation Python (SDK)
-
-```python
-import requests
-
-# Configuration
-API_URL = "http://localhost:8000/predict"
-API_KEY = "your-secret-key"
-
-# Données employé
-employee = {
-    "age": 28,
-    "genre": "F",
-    "revenu_mensuel": 3200.0,
-    "departement": "Consulting",
-    # ... (tous les 29 champs requis)
-}
-
-# Appel API
-response = requests.post(
-    API_URL,
-    headers={"X-API-Key": API_KEY, "Content-Type": "application/json"},
-    json=employee
-)
-
-# Résultat
-if response.status_code == 200:
-    result = response.json()
-    print(f"Risque de départ: {result['probability_1']:.0%}")
-    print(f"Niveau: {result['risk_level']}")
-```
-
-📚 **Documentation complète** : [docs/API_GUIDE.md](docs/API_GUIDE.md)
-
----
-
-## 🌐 Déploiement
-
-### Environnements Disponibles
-
-| Environnement | Branche Git | URL HuggingFace Spaces | Statut |
-|---------------|-------------|------------------------|--------|
-| **Production** | `main` | https://asi-engineer-oc-p5.hf.space | ✅ Live |
-| **Développement** | `dev` | https://asi-engineer-oc-p5-dev.hf.space | 🚧 Testing |
-
-### Pipeline CI/CD (GitHub Actions)
-
-Le workflow `.github/workflows/ci-cd.yml` s'exécute automatiquement à chaque push :
-
-```mermaid
-graph LR
-    A[Push Code] --> B[Lint: Black + Flake8]
-    B --> C[Tests: pytest 97 tests]
-    C --> D[Test API Server]
-    D --> E{Branche?}
-    E -->|dev| F[Deploy HF Dev]
-    E -->|main| G[Deploy HF Prod]
-```
-
-**Jobs du pipeline** :
-
-1. **Lint** (~30s) : Black (formatage) + Flake8 (qualité)
-2. **Tests** (~3min) : pytest avec couverture (70%)
-3. **Test API Server** (~2min) : Démarrage uvicorn + tests `/health` et `/predict`
-4. **Deploy** : Déploiement automatique sur HuggingFace Spaces
-
-⚡ **Temps total** : ~5-7 minutes (< 10min requis)
-
-### Déploiement Manuel sur HuggingFace Spaces
-
-#### Prérequis
-
-```bash
-# Installer la CLI HuggingFace
-pip install huggingface_hub
-
-# Se connecter
-huggingface-cli login
-# Entrer votre token (créer sur https://huggingface.co/settings/tokens)
-```
-
-#### Pousser vers HF Spaces
-
-```bash
-# 1. Ajouter le remote HF
-git remote add space https://huggingface.co/spaces/ASI-Engineer/oc_p5
-
-# 2. Push vers HF
-git push space main
-
-# 3. Vérifier le déploiement
-# Visiter https://huggingface.co/spaces/ASI-Engineer/oc_p5
-```
-
-#### Configuration des Secrets HF Spaces
-
-Dans les settings du Space HuggingFace, ajouter :
-
-| Variable | Valeur | Description |
-|----------|--------|-------------|
-| `API_KEY` | `votre-clé-sécurisée` | Authentification API |
-| `DEBUG` | `false` | Mode production |
-| `LOG_LEVEL` | `INFO` | Niveau de logs |
-
-### Déploiement Docker (Alternative)
-
-```bash
-# Build de l'image
-docker build -t employee-turnover-api .
-
-# Run du conteneur
-docker run -d \
-  -p 8000:8000 \
-  -e API_KEY=your-key \
-  -e DEBUG=false \
-  --name turnover-api \
-  employee-turnover-api
-
-# Vérifier
-curl http://localhost:8000/health
-```
-
-📖 **Guide complet** : [docs/DEPLOYMENT.md](docs/DEPLOYMENT.md)
-
----
-
-## 🔄 Mise à Jour
-
-### Mise à Jour du Code
-
-```bash
-# 1. Récupérer les dernières modifications
-git pull origin main
-
-# 2. Mettre à jour les dépendances
-poetry update
-
-# 3. Appliquer les migrations DB (si nécessaire)
-poetry run python scripts/migrate_db.py
-
-# 4. Relancer l'API
-poetry run uvicorn api:app --reload
-```
-
-### Ré-entraînement du Modèle
-
-**Fréquence recommandée** : Tous les 3 mois (ou si drift détecté)
-
-```bash
-# 1. Préparer les nouvelles données
-cp /path/to/new/data/*.csv data/
-
-# 2. Lancer l'entraînement (avec MLflow tracking)
-cd ml_model
-poetry run python main.py
-
-# 3. Comparer les performances
-poetry run mlflow ui
-# Ouvrir http://localhost:5000
-
-# 4. Si F1 Score ≥ 0.83, exporter le modèle
-poetry run python -c "
-import joblib
-import mlflow
-
-client = mlflow.tracking.MlflowClient()
-model_version = client.get_latest_versions('XGBoost_Employee_Turnover')[0]
-model = mlflow.sklearn.load_model(model_version.source)
-joblib.dump(model, 'model.pkl')
-"
-
-# 5. Uploader vers HuggingFace Hub
-poetry run python -c "
-from huggingface_hub import HfApi
-
-api = HfApi()
-api.upload_file(
-    path_or_fileobj='model.pkl',
-    path_in_repo='model/model.pkl',
-    repo_id='ASI-Engineer/employee-turnover-model',
-    commit_message='Update model v1.1 - F1=0.87'
-)
-"
-
-# 6. Créer un tag Git pour versioning
-git tag -a model-v1.1 -m "Model update: F1=0.87, Recall=0.89"
-git push origin model-v1.1
-```
-
-### Monitoring du Drift
-
-```python
-# Script de détection de drift (à automatiser mensuellement)
-import pandas as pd
-from scipy.stats import ks_2samp
-
-train_data = pd.read_csv('data/extrait_sirh.csv')
-new_data = pd.read_csv('logs/recent_predictions.csv')
-
-for col in ['age', 'revenu_mensuel', 'annees_dans_l_entreprise']:
-    statistic, pvalue = ks_2samp(train_data[col], new_data[col])
-    if pvalue < 0.05:
-        print(f'⚠️ DRIFT détecté sur {col} (p={pvalue:.4f})')
-        # → Déclencher ré-entraînement
-```
-
-📖 **Guide complet** : [docs/MODEL_TECHNICAL.md](docs/MODEL_TECHNICAL.md#maintenance-et-mise-à-jour)
-
----
-
-
-
-## ✅ Tests
-
-### Suite de Tests Complète
-
-```bash
-# Lancer tous les tests
-poetry run pytest tests/ -v
-
-# Avec rapport de couverture
-poetry run pytest tests/ --cov=. --cov-report=term-missing
-
-# Avec rapport HTML
-poetry run pytest tests/ --cov=. --cov-report=html
-open htmlcov/index.html
-```
-
-### Métriques
-
-| Métrique | Valeur | Détail |
-|----------|--------|--------|
-| **Tests** | 97 | 86 passés, 11 skippés (déploiement) |
-| **Couverture** | 70.26% | Objectif : ≥ 70% |
-| **Durée** | ~4s | Temps d'exécution total |
-| **Fichiers** | 9 | test_api_*.py, test_database.py, test_model.py |
-
-### Catégories de Tests
-
-- ✅ **Authentification** (11 tests) : API Key, headers, rate limiting
-- ✅ **Health Check** (6 tests) : Status, modèle chargé, versionning
-- ✅ **Prédiction** (9 tests) : Endpoint `/predict`, probabilités, cohérence
-- ✅ **Validation** (15 tests) : Pydantic, types, énumérations, limites
-- ✅ **Database** (7 tests) : Connexion, CRUD, intégrité
-- ✅ **Fonctionnel** (19 tests) : End-to-end, performance, erreurs
-- ✅ **Modèle ML** (23 tests) : Chargement HF, preprocessing, prédictions
-- ✅ **API Déployée** (7 tests skippés) : Tests sur HF Spaces
-
-📊 **Détail de couverture** :
-
-| Module | Couverture | Lignes | Manquantes |
-|--------|------------|--------|------------|
-| `src/config.py` | 100% | 20 | 0 |
-| `src/schemas.py` | 100% | 100 | 0 |
-| `src/rate_limit.py` | 100% | 10 | 0 |
-| `db_models.py` | 100% | 14 | 0 |
-| `src/logger.py` | 90.32% | 62 | 6 |
-| `src/preprocessing.py` | 76.36% | 55 | 13 |
-| `api.py` | 55.41% | 157 | 70 |
-
----
-
-## 📚 Documentation
-
-| Document | Description |
-|----------|-------------|
-| [📖 README.md](README.md) | Vue d'ensemble et guide rapide (ce fichier) |
-| [🔌 API_GUIDE.md](docs/API_GUIDE.md) | Guide complet de l'API (endpoints, schémas, exemples) |
-| [🤖 MODEL_TECHNICAL.md](docs/MODEL_TECHNICAL.md) | Documentation technique du modèle (architecture, performances, maintenance) |
-| [🚀 DEPLOYMENT.md](docs/DEPLOYMENT.md) | Guide de déploiement (Docker, HF Spaces, CI/CD) |
-| [🎓 TRAINING.md](docs/TRAINING.md) | Guide d'entraînement du modèle (preprocessing, MLflow) |
-| [🗄️ database_guide.md](docs/database_guide.md) | Guide PostgreSQL pour débutants |
-| [📊 DOCUMENTATION_INVENTORY.md](docs/DOCUMENTATION_INVENTORY.md) | Inventaire complet de la documentation |
-| [📐 schema.puml](docs/schema.puml) | Diagramme UML de la base de données |
-
-**Documentation interactive** :
-- 🌐 **Swagger UI** : http://localhost:8000/docs
-- 📘 **ReDoc** : http://localhost:8000/redoc
-
----
-
-## 📦 Dépendances Principales
-
-| Package | Version | Rôle |
-|---------|---------|------|
-| **FastAPI** | 0.115.14 | Framework API REST |
-| **Pydantic** | 2.12.5 | Validation données |
-| **XGBoost** | 2.1.3 | Modèle ML |
-| **imbalanced-learn** | 0.12.0 | SMOTE (rééquilibrage) |
-| **SQLAlchemy** | 2.0.23 | ORM PostgreSQL |
-| **psycopg2-binary** | 2.9.9 | Driver PostgreSQL |
-| **SlowAPI** | 0.1.9 | Rate limiting |
-| **python-json-logger** | 4.0.0 | Logs structurés |
-| **pytest** | 9.0.2 | Tests unitaires |
-| **MLflow** | 2.9.2 | Tracking expériences ML |
-| **Gradio** | 4.13.0 | Interface web |
-
-Voir [pyproject.toml](pyproject.toml) pour la liste complète.
-
----
-
-
-
-## 🔄 Changelog
-
-### v3.3.0 (Janvier 2026)
-- 📚 **Documentation complète** pour Étape 6 OpenClassrooms
-- 📝 Création de 13 nouveaux fichiers de documentation (~5000 lignes)
-- 🌐 Setup site MkDocs avec theme Material (17 pages HTML)
-- 📊 Inventaire complet de la documentation existante
-- 🔧 README restructuré selon Best-README-Template (841 lignes)
-- 📖 Guide API exhaustif avec 7 exemples (curl, Python, JS) - 981 lignes
-- 🤖 Documentation technique modèle avec diagrammes et justifications - 393 lignes
-- 📈 Visualisation des performances du modèle (model_performance.png)
-- ✅ Vérification complète : liens, cohérence, instructions testées
-
-### 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 complète enrichie (API_GUIDE, MODEL_TECHNICAL)
-
-### 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 (97 tests)
-- 🔐 Authentification API Key
-- 📊 70% de couverture de code
-
----
-
-## 👥 Auteurs
-
-**Développeur** : Valentin (chaton59)  
-**Projet** : OpenClassrooms P5 - Déployez votre modèle de Machine Learning  
-**Repo GitHub** : [github.com/chaton59/OC_P5](https://github.com/chaton59/OC_P5)  
-**HuggingFace** : [ASI-Engineer](https://huggingface.co/ASI-Engineer)
-
----
-
-## 📄 Licence
-
-Ce projet est développé dans un cadre pédagogique (OpenClassrooms).  
-Les données utilisées sont fictives.
-
----
-
-## 🤝 Contributing
-
-Les contributions sont bienvenues ! Pour contribuer :
-
-1. Fork le projet
-2. Créer une branche feature (`git checkout -b feature/AmazingFeature`)
-3. Commit les changements (`git commit -m 'Add AmazingFeature'`)
-4. Push vers la branche (`git push origin feature/AmazingFeature`)
-5. Ouvrir une Pull Request
-
----
-
-## 📞 Contact & Support
-
-- **Issues GitHub** : [github.com/chaton59/OC_P5/issues](https://github.com/chaton59/OC_P5/issues)
-- **Discussions** : [github.com/chaton59/OC_P5/discussions](https://github.com/chaton59/OC_P5/discussions)
-- **Email** : Voir profil GitHub
-
----
-
-## 🙏 Remerciements
-
-- **OpenClassrooms** pour le parcours Data Scientist
-- **HuggingFace** pour l'hébergement gratuit
-- **FastAPI** pour le framework moderne
-- **Communauté Python ML** pour les bibliothèques open-source
-
----
-
-<div align="center">
-
-**⭐ Si ce projet vous a aidé, n'hésitez pas à lui donner une étoile sur GitHub ! ⭐**
-
-Made with ❤️ by [chaton59](https://github.com/chaton59)
 
-</div>
+## 📚 Documentation complète
 
+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).