Upload folder using huggingface_hub

.env.example

@@ -28,6 +28,9 @@ API_PORT=8000
 # Mode debug (True/False)
 DEBUG=False
 
+# Activer l'interface Gradio
+GRADIO_ENABLED=True
+
 # ===== LOGGING =====
 # Niveau de log (DEBUG, INFO, WARNING, ERROR)
 LOG_LEVEL=INFO

CLEANUP_COMPLETION_REPORT.md

@@ -1,252 +0,0 @@
-# 🔄 Cleanup Completion Report - PR dev→main
-
-## Executive Summary
-**All 8 sub-steps of the comprehensive project cleanup have been completed successfully.** The project is now clean, well-organized, and evaluator-ready with 100% test pass rate and 75.63% code coverage maintained throughout.
-
----
-
-## Cleanup Completion Status
-
-### ✅ Sub-Step 1: Audit & Backup Branch
-- Created backup-post-audit branch with safety checkpoint
-- Generated pre-cleanup structure snapshot (docs/structure_pre_clean.txt)
-- Documented all findings in 7 professional audit reports
-
-### ✅ Sub-Step 2: Validation Phase 1
-- Verified .gitignore completeness
-- Validated 86/86 tests passing (100% pass rate)
-- Confirmed 70.27%+ code coverage
-- Black/Flake8 linting successful
-
-### ✅ Sub-Step 3: Clean Root Files
-- Merged README_HF.md content → README.md (new HuggingFace section)
-- Renamed requirements_full.txt → requirements_dev.txt (prod/dev distinction)
-- Archived etapes.txt → docs/etapes_archive.txt (preserved educational context)
-- Updated .gitignore accordingly
-
-### ✅ Sub-Step 4: Documentation Consolidation
-- **API Docs**: 3 sources (API.md, api/guide.md, API_GUIDE.md) → **1 source (API_GUIDE.md)**
-- **Model Docs**: 2 sources (model/technical.md, MODEL_TECHNICAL.md) → **1 source (MODEL_TECHNICAL.md)**
-- Removed redundant directories: docs/api/ and docs/model/
-- Updated mkdocs.yml navigation
-- Result: **-883 lines duplicated** (-39% reduction)
-
-### ✅ Sub-Step 5: Optimize docs/ Navigation
-- Enhanced docs/index.md with comprehensive "📚 Navigation Documentation" hub
-- Organized 18 documents into 8 categories
-- Generated pytest coverage HTML report (docs/coverage_report/)
-- Added clear navigation tips for users/developers/evaluators
-- MkDocs builds successfully (0.81s)
-
-### ✅ Sub-Step 6: Refine src/tests Structure
-- Reorganized tests/ from flat → hierarchical structure:
-  - test_api/ (5 test files: auth, demo, health, predict, validation)
-  - test_database/ (database operations tests)
-  - test_functional/ (end-to-end tests)
-  - test_model/ (ML model tests)
-- Added __init__.py to each subdirectory (Python packages)
-- Fixed monkeypatch reference in test_functional.py (import path update)
-- Created tests/README.md with structure & fixture documentation
-- Result: **86/86 tests passing**, 75.63% coverage maintained
-
-### ✅ Sub-Step 7: Clean Other Folders
-- Removed redundant root files (README_HF.md, etapes.txt duplicate)
-- Removed .vscode/ directory (personal IDE config)
-- Archived logs/ → docs/logs_archive/ (api.log, error.log preserved)
-- Result: **Cleaner root directory** with only essential files
-
-### ✅ Sub-Step 8: Finalize CI/CD & Prepare Merge
-- Created composite GitHub Action (.github/actions/setup-poetry/action.yml)
-- Refactored CI/CD workflow to eliminate duplicate setup steps (-60% duplication)
-- Added MkDocs documentation build validation before HF deployments
-- Optimized job dependencies (cleaner DAG)
-- Improved job naming for clarity
-- Result: **Production-ready CI/CD** with enhanced reliability
-
----
-
-## Quantified Impact
-
-| Metric | Before | After | Change |
-|--------|--------|-------|--------|
-| **Python Files** | 24 | 24 | No loss of function ✅ |
-| **Root Files** | 11 | 8 | -3 (cleaner) |
-| **Tests** | 86/86 passed | 86/86 passed | 100% maintained ✅ |
-| **Coverage** | 75.63% | 75.63% | Maintained ✅ |
-| **Documentation Files** | 18 | 18 | Consolidated (no loss) |
-| **Duplicate Lines** | 883 | 0 | -883 (-39%) |
-| **CI/CD Setup Duplication** | 60% | 20% | -67% (optimized) |
-| **Root Folders** | 13 | 12 | -1 (logs archived) |
-
----
-
-## Testing & Quality Assurance
-
-### Final Validation
-```
-✅ 86 tests passed
-✅ 11 tests skipped (expected - API integration & rate limiting)
-✅ 75.63% code coverage (exceeds 70% requirement)
-✅ Black linting: OK
-✅ Flake8 linting: OK
-✅ MkDocs build: 0.81s (successful)
-✅ Import integrity: All modules loading correctly
-✅ Git history: Clean, pedagogical commits throughout
-```
-
-### Test Results Summary
-- **Total**: 97 tests
-- **Passed**: 86 ✅
-- **Skipped**: 11 (intentional)
-- **Failed**: 0 ✅
-- **Pass Rate**: 100%
-
----
-
-## Git Commit History
-
-### Cleanup Commits (dev branch)
-```
-21d4cb3 ci: optimize CI/CD pipeline with composite action and documentation build
-d46bcee chore: clean root and archive non-essential folders
-92ff10b refactor: reorganize tests directory into modular structure
-a6460c0 docs: optimize docs/ with comprehensive navigation index
-8ce38b2 docs: rapport sous-étape 4 - consolidation documentation
-941a4dd docs: consolidate API and Model documentation
-727d10c docs: rapport sous-étape 3 - clean racine complété
-9aa0dbb refactor: clean root files while keeping history visible
-cd0bc36 docs: sous-étape 2 - validations phase 1 complétées
-debc614 docs: ajoute état pré-sous-étape-2 pour continuité du cleanup
-```
-
-**Total commits in cleanup**: 10 (from backup-post-audit)
-
----
-
-## Project Structure (Final State)
-
-```
-OC_P5/
-├── docs/                       # ✅ Optimized documentation
-│   ├── index.md               # Navigation hub (8 categories)
-│   ├── API_GUIDE.md           # Consolidated API docs
-│   ├── MODEL_TECHNICAL.md     # Consolidated model docs
-│   ├── etapes_archive.txt     # Educational context
-│   ├── logs_archive/          # Archived logs
-│   └── coverage_report/       # Pytest coverage HTML
-├── src/                        # ✅ Core modules (unchanged)
-│   ├── __init__.py
-│   ├── auth.py
-│   ├── config.py
-│   ├── models.py
-│   ├── schemas.py
-│   ├── preprocessing.py
-│   ├── logger.py
-│   ├── rate_limit.py
-│   └── gradio_ui.py
-├── tests/                      # ✅ Reorganized hierarchy
-│   ├── conftest.py
-│   ├── README.md              # Structure documentation
-│   ├── test_api/              # 5 API test files
-│   ├── test_database/         # Database tests
-│   ├── test_functional/       # End-to-end tests
-│   └── test_model/            # ML model tests
-├── ml_model/                   # ✅ Training scripts (preserved)
-├── scripts/                    # ✅ Utilities (preserved)
-├── .github/                    # ✅ CI/CD optimized
-│   ├── workflows/ci-cd.yml    # Optimized pipeline
-│   └── actions/setup-poetry/  # Reusable composite action
-├── README.md                   # ✅ Enriched (HF integration)
-├── pyproject.toml              # ✅ Dependency management
-├── mkdocs.yml                  # ✅ Documentation config
-└── .gitignore                  # ✅ Complete
-```
-
----
-
-## Key Achievements
-
-### 🎯 Code Quality
-- ✅ Zero functional loss - all tests passing
-- ✅ Zero regressions detected
-- ✅ Code coverage maintained above requirement
-- ✅ Clean, pedagogical commit messages
-
-### 🎯 Organization
-- ✅ Eliminated 883 lines of duplication (-39%)
-- ✅ Single source of truth for each documentation topic
-- ✅ Hierarchical test organization for clarity
-- ✅ Clean root directory (removed non-essential files)
-
-### 🎯 DevOps & CI/CD
-- ✅ Composite GitHub Action created (DRY principle)
-- ✅ 60% reduction in setup code duplication
-- ✅ Automatic documentation validation before deployment
-- ✅ Production-ready pipeline
-
-### 🎯 Evaluator Experience
-- ✅ Clear navigation (docs/index.md with 8 categories)
-- ✅ Comprehensive audit trail (git history)
-- ✅ Before/after documentation
-- ✅ Educational context preserved (etapes_archive.txt)
-- ✅ Repo structure optimized for understanding
-
----
-
-## Recommendations for Merge
-
-### ✅ Pre-Merge Checklist
-- [x] All tests passing (86/86)
-- [x] Coverage requirement met (75.63% ≥ 70%)
-- [x] Code review: Clean commits with pedagogical messages
-- [x] Linting: Black + Flake8 passing
-- [x] Documentation: MkDocs builds successfully
-- [x] Git history: Clean and traceable
-- [x] No breaking changes: Zero functional loss
-- [x] CI/CD: Optimized and ready for production
-
-### Merge Strategy
-1. This PR represents **completion of the comprehensive cleanup project**
-2. No functional code was modified - only organization
-3. All sub-steps have been validated and documented
-4. Ready for immediate merge to main branch
-
-### Post-Merge Steps
-1. Tag release (e.g., v3.4.0-cleanup-complete)
-2. Deploy to HF Spaces production (automatic via CI/CD)
-3. Archive this PR as final cleanup documentation
-4. Maintain tags for evaluator reference
-
----
-
-## Impact on Project
-
-### Before Cleanup
-- 11 redundant root files (duplicates of archived versions)
-- 5 sources for core documentation (API & Model)
-- Flat test directory (difficult to navigate)
-- 60% duplication in CI/CD workflow
-- Logs directory in root (not archived)
-- .vscode/ with personal IDE settings
-
-### After Cleanup
-- 8 essential root files (clean)
-- 1 source for each documentation topic (single truth)
-- Hierarchical test organization (modular)
-- 20% duplication in CI/CD (67% improvement)
-- Logs archived in docs/ (preserved but organized)
-- .vscode/ removed (shared repo only)
-
----
-
-## Conclusion
-
-This cleanup project has successfully transformed the OC_P5 Employee Turnover Prediction API from a functional project into a **professional, evaluator-ready codebase** with excellent organization, comprehensive documentation, and optimized CI/CD pipeline. All work has been completed without functional loss, with every change documented and validated through automated testing.
-
-**Status: ✅ READY FOR MERGE TO MAIN**
-
----
-
-*Prepared for: OpenClassrooms Evaluation*  
-*Date: January 2, 2025*  
-*All 8 cleanup sub-steps completed and validated*

README.md

@@ -4,7 +4,7 @@ emoji: 🚀
 colorFrom: blue
 colorTo: green
 sdk: gradio
-sdk_version: "5.9.1"
+sdk_version: "6.2.0"
 app_file: app.py
 pinned: false
 ---

exemples/GUIDE_DEMO.txt

@@ -1,89 +0,0 @@
-╔══════════════════════════════════════════════════════════════════╗
-║                                                                  ║
-║     🚀 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

@@ -1,138 +0,0 @@
-# 🚀 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

@@ -1,160 +1,154 @@
 #!/usr/bin/env python3
 """
-📦 Prédiction BATCH - Le plus simple possible
+📦 Prédiction BATCH - API Locale
 
 Usage: python demo_batch.py
+Prérequis: API locale démarrée sur http://127.0.0.1:7860
 """
 
 import os
-import pandas as pd
-import requests
+import sys
 from datetime import datetime
 
+try:
+    import pandas as pd
+    from gradio_client import Client, handle_file
+except ImportError:
+    print("❌ Dépendances manquantes. Installez avec:")
+    print("   pip install gradio_client pandas")
+    sys.exit(1)
+
 # ═══════════════════════════════════════════════════════════════
 # 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
+API_URL = os.getenv("LOCAL_API_URL", "http://127.0.0.1:7860")
+SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
+
+# Fichiers par défaut
+DEFAULT_FILES = {
+    "eval": os.path.join(SCRIPT_DIR, "02_predict_batch_eval.csv"),
+    "sirh": os.path.join(SCRIPT_DIR, "02_predict_batch_sirh.csv"),
+    "sondage": os.path.join(SCRIPT_DIR, "02_predict_batch_sondage.csv"),
+}
 
 print("╔══════════════════════════════════════════════════════════╗")
-print("║  📦 PRÉDICTION BATCH - Traitement CSV                    ║")
-print("╚══════════════════════════════════════════════════════════╝\n")
+print("║  📦 PRÉDICTION BATCH - API Locale                        ║")
+print("╚══════════════════════════════════════════════════════════╝")
+print(f"\n🌐 API: {API_URL}\n")
 
 # ═══════════════════════════════════════════════════════════════
-# COLLECTE DES FICHIERS
+# SÉLECTION 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")
+print("═" * 60)
+print("📁 SÉLECTION DES FICHIERS CSV")
+print("═" * 60)
+
+use_default = (
+    input("\nUtiliser les fichiers exemples par défaut? [O/n]: ").strip().lower()
+)
+
+if use_default in ("", "o", "oui", "y", "yes"):
+    fichier_eval = DEFAULT_FILES["eval"]
+    fichier_sirh = DEFAULT_FILES["sirh"]
+    fichier_sondage = DEFAULT_FILES["sondage"]
+    print(f"\n📄 Évaluation: {os.path.basename(fichier_eval)}")
+    print(f"📄 SIRH:       {os.path.basename(fichier_sirh)}")
+    print(f"📄 Sondage:    {os.path.basename(fichier_sondage)}")
 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]:
+    print("\nEntrez les chemins des fichiers CSV:")
+    fichier_eval = input("📄 Fichier évaluation: ").strip()
+    fichier_sirh = input("📄 Fichier SIRH: ").strip()
+    fichier_sondage = input("📄 Fichier sondage: ").strip()
+
+# Vérification des fichiers
+for name, path in [
+    ("Évaluation", fichier_eval),
+    ("SIRH", fichier_sirh),
+    ("Sondage", fichier_sondage),
+]:
     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)}")
+        print(f"\n❌ Fichier {name} introuvable: {path}")
+        sys.exit(1)
 
 # ═══════════════════════════════════════════════════════════════
-# ENVOI À L'API
+# PRÉDICTION BATCH
 # ═══════════════════════════════════════════════════════════════
-
-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
+print("\n" + "═" * 60)
+print("⏳ TRAITEMENT EN COURS...")
+print("═" * 60)
 
 try:
-    response = requests.post(
-        f"{API_URL}/predict/batch", files=files, headers=headers, timeout=120
+    print("\n⏳ Connexion à l'API...")
+    client = Client(API_URL)
+    print("✅ Connecté")
+
+    print("⏳ Envoi des fichiers...")
+    result = client.predict(
+        fichier_eval=handle_file(fichier_eval),
+        fichier_sirh=handle_file(fichier_sirh),
+        fichier_sondage=handle_file(fichier_sondage),
+        api_name="/predict_batch",
     )
-    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
+    # AFFICHAGE DU RÉSULTAT
     # ═══════════════════════════════════════════════════════════════
-
-    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("📊 RÉSULTAT DE LA PRÉDICTION BATCH")
     print("═" * 60)
 
-    # Afficher un échantillon
-    print("\n📋 Aperçu des 5 premiers résultats:")
-    print(df_results.head(5).to_string(index=False))
+    if isinstance(result, dict):
+        # Lecture du fichier résultat
+        result_path = result.get("value") or result.get("path")
+        if result_path and os.path.exists(result_path):
+            df = pd.read_csv(result_path)
+            total = len(df)
+
+            # Statistiques
+            if "prediction" in df.columns:
+                restent = (df["prediction"] == "Reste").sum()
+                partent = (df["prediction"] == "Part").sum()
+            else:
+                restent = partent = 0
+
+            if "risk_level" in df.columns:
+                risque_eleve = (df["risk_level"] == "Élevé").sum()
+                risque_moyen = (df["risk_level"] == "Moyen").sum()
+                risque_faible = (df["risk_level"] == "Faible").sum()
+            else:
+                risque_eleve = risque_moyen = risque_faible = 0
+
+            # Affichage des stats
+            print(f"\n👥 Total employés analysés: {total}")
+            print(f"\n📈 Vont RESTER:  {restent} ({100 * restent / total:.1f}%)")
+            print(f"📉 Vont PARTIR:  {partent} ({100 * partent / total:.1f}%)")
+
+            print(f"\n🟢 Risque faible: {risque_faible}")
+            print(f"🟠 Risque moyen:  {risque_moyen}")
+            print(f"🔴 Risque élevé:  {risque_eleve}")
+
+            # Sauvegarde
+            timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+            output_file = os.path.join(SCRIPT_DIR, f"predictions_batch_{timestamp}.csv")
+            df.to_csv(output_file, index=False)
+
+            print("\n" + "─" * 60)
+            print(f"💾 Fichier sauvegardé: {os.path.basename(output_file)}")
+            print("─" * 60)
+
+            # Aperçu
+            print("\n📋 Aperçu des résultats:")
+            cols = ["employee_id", "prediction", "prob_depart", "risk_level"]
+            cols_exist = [c for c in cols if c in df.columns]
+            if cols_exist:
+                print(df[cols_exist].head(10).to_string(index=False))
+        else:
+            print(f"\n⚠️ Fichier résultat non trouvé: {result_path}")
+    else:
+        print(f"\n📋 Résultat: {result}")
+
+    print("\n✅ Prédiction batch terminée avec succès!")
 
-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()
+    print(f"\n❌ Erreur: {e}")
+    sys.exit(1)

exemples/demo_batch_hf.py

@@ -1,119 +1,154 @@
 #!/usr/bin/env python3
 """
-📦 Prédiction BATCH via API Hugging Face
+📦 Prédiction BATCH - API Hugging Face (Gradio)
 
 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.
+Prérequis: pip install gradio_client pandas
 """
 
 import os
-import pandas as pd
-import requests
+import sys
 from datetime import datetime
 
+try:
+    import pandas as pd
+    from gradio_client import Client, handle_file
+except ImportError:
+    print("❌ Dépendances manquantes. Installez avec:")
+    print("   pip install gradio_client pandas")
+    sys.exit(1)
+
+# ═══════════════════════════════════════════════════════════════
+# CONFIGURATION
+# ═══════════════════════════════════════════════════════════════
 API_URL = os.getenv("HF_API_URL", "https://asi-engineer-oc-p5.hf.space")
+SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
+
+# Fichiers par défaut
+DEFAULT_FILES = {
+    "eval": os.path.join(SCRIPT_DIR, "02_predict_batch_eval.csv"),
+    "sirh": os.path.join(SCRIPT_DIR, "02_predict_batch_sirh.csv"),
+    "sondage": os.path.join(SCRIPT_DIR, "02_predict_batch_sondage.csv"),
+}
 
 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]:
+print("║  📦 PRÉDICTION BATCH - API Hugging Face                  ║")
+print("╚══════════════════════════════════════════════════════════╝")
+print(f"\n🌐 API: {API_URL}\n")
+
+# ═══════════════════════════════════════════════════════════════
+# SÉLECTION DES FICHIERS
+# ═══════════════════════════════════════════════════════════════
+print("═" * 60)
+print("📁 SÉLECTION DES FICHIERS CSV")
+print("═" * 60)
+
+use_default = (
+    input("\nUtiliser les fichiers exemples par défaut? [O/n]: ").strip().lower()
+)
+
+if use_default in ("", "o", "oui", "y", "yes"):
+    fichier_eval = DEFAULT_FILES["eval"]
+    fichier_sirh = DEFAULT_FILES["sirh"]
+    fichier_sondage = DEFAULT_FILES["sondage"]
+    print(f"\n📄 Évaluation: {os.path.basename(fichier_eval)}")
+    print(f"📄 SIRH:       {os.path.basename(fichier_sirh)}")
+    print(f"📄 Sondage:    {os.path.basename(fichier_sondage)}")
+else:
+    print("\nEntrez les chemins des fichiers CSV:")
+    fichier_eval = input("📄 Fichier évaluation: ").strip()
+    fichier_sirh = input("📄 Fichier SIRH: ").strip()
+    fichier_sondage = input("📄 Fichier sondage: ").strip()
+
+# Vérification des fichiers
+for name, path in [
+    ("Évaluation", fichier_eval),
+    ("SIRH", fichier_sirh),
+    ("Sondage", fichier_sondage),
+]:
     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
+        print(f"\n❌ Fichier {name} introuvable: {path}")
+        sys.exit(1)
+
+# ═══════════════════════════════════════════════════════════════
+# PRÉDICTION BATCH
+# ═══════════════════════════════════════════════════════════════
+print("\n" + "═" * 60)
+print("⏳ TRAITEMENT EN COURS...")
+print("═" * 60)
 
 try:
-    # 1) Tente FastAPI (si exposé)
-    r = requests.post(
-        f"{API_URL}/predict/batch", files=files, headers=headers, timeout=90
+    print("\n⏳ Connexion à l'API...")
+    client = Client(API_URL)
+    print("✅ Connecté")
+
+    print("⏳ Envoi des fichiers...")
+    result = client.predict(
+        fichier_eval=handle_file(fichier_eval),
+        fichier_sirh=handle_file(fichier_sirh),
+        fichier_sondage=handle_file(fichier_sondage),
+        api_name="/predict_batch",
     )
-    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", {})
+
+    # ═══════════════════════════════════════════════════════════════
+    # AFFICHAGE DU RÉSULTAT
+    # ═══════════════════════════════════════════════════════════════
     print("\n" + "═" * 60)
-    print("                    📊 RÉSULTAT (HF)")
+    print("📊 RÉSULTAT DE LA PRÉDICTION BATCH")
     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
+
+    if isinstance(result, dict):
+        # Lecture du fichier résultat
+        result_path = result.get("value") or result.get("path")
+        if result_path and os.path.exists(result_path):
+            df = pd.read_csv(result_path)
+            total = len(df)
+
+            # Statistiques
+            if "prediction" in df.columns:
+                restent = (df["prediction"] == "Reste").sum()
+                partent = (df["prediction"] == "Part").sum()
+            else:
+                restent = partent = 0
+
+            if "risk_level" in df.columns:
+                risque_eleve = (df["risk_level"] == "Élevé").sum()
+                risque_moyen = (df["risk_level"] == "Moyen").sum()
+                risque_faible = (df["risk_level"] == "Faible").sum()
+            else:
+                risque_eleve = risque_moyen = risque_faible = 0
+
+            # Affichage des stats
+            print(f"\n👥 Total employés analysés: {total}")
+            print(f"\n📈 Vont RESTER:  {restent} ({100 * restent / total:.1f}%)")
+            print(f"📉 Vont PARTIR:  {partent} ({100 * partent / total:.1f}%)")
+
+            print(f"\n🟢 Risque faible: {risque_faible}")
+            print(f"🟠 Risque moyen:  {risque_moyen}")
+            print(f"🔴 Risque élevé:  {risque_eleve}")
+
+            # Sauvegarde
+            timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+            output_file = os.path.join(SCRIPT_DIR, f"predictions_batch_{timestamp}.csv")
+            df.to_csv(output_file, index=False)
+
+            print("\n" + "─" * 60)
+            print(f"💾 Fichier sauvegardé: {os.path.basename(output_file)}")
+            print("─" * 60)
+
+            # Aperçu
+            print("\n📋 Aperçu des résultats:")
+            cols = ["employee_id", "prediction", "prob_depart", "risk_level"]
+            cols_exist = [c for c in cols if c in df.columns]
+            if cols_exist:
+                print(df[cols_exist].head(10).to_string(index=False))
+        else:
+            print(f"\n⚠️ Fichier résultat non trouvé: {result_path}")
+    else:
+        print(f"\n📋 Résultat: {result}")
+
+    print("\n✅ Prédiction batch terminée avec succès!")
+
+except Exception as e:
+    print(f"\n❌ Erreur: {e}")
+    sys.exit(1)

exemples/demo_unitaire.py

@@ -1,146 +1,213 @@
 #!/usr/bin/env python3
 """
-🔮 Prédiction UNITAIRE - Le plus simple possible
+🔮 Prédiction UNITAIRE - API locale (Gradio)
 
 Usage: python demo_unitaire.py
+Prérequis: Lancer l'API locale avec `python app.py`
 """
 
-import requests
+import re
+import sys
+
+try:
+    from gradio_client import Client
+except ImportError:
+    print("❌ gradio_client non installé. Installez-le avec:")
+    print("   pip install gradio_client")
+    sys.exit(1)
 
 # ═══════════════════════════════════════════════════════════════
 # CONFIGURATION
 # ═══════════════════════════════════════════════════════════════
+API_URL = "http://127.0.0.1:7860"
 
-# 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
+# ═══════════════════════════════════════════════════════════════
+# OPTIONS (menus numérotés)
+# ═══════════════════════════════════════════════════════════════
+DOMAINES = {
+    1: "Infra & Cloud",
+    2: "Transformation Digitale",
+    3: "Marketing",
+    4: "Entrepreunariat",
+    5: "Ressources Humaines",
+    6: "Autre",
+}
+FREQUENCES = {1: "Aucun", 2: "Occasionnel", 3: "Frequent"}
+STATUTS = {1: "Célibataire", 2: "Marié(e)", 3: "Divorcé(e)"}
+DEPARTEMENTS = {1: "Commercial", 2: "Consulting", 3: "Ressources Humaines"}
+POSTES = {
+    1: "Cadre Commercial",
+    2: "Assistant de Direction",
+    3: "Consultant",
+    4: "Tech Lead",
+    5: "Manager",
+    6: "Senior Manager",
+    7: "Représentant Commercial",
+    8: "Directeur Technique",
+    9: "Ressources Humaines",
+}
 
 print("╔══════════════════════════════════════════════════════════╗")
-print("║  🔮 PRÉDICTION UNITAIRE - Risque de départ employé       ║")
-print("╚══════════════════════════════════════════════════════════╝\n")
+print("║  🔮 PRÉDICTION UNITAIRE - API Locale                     ║")
+print("╚══════════════════════════════════════════════════════════╝")
+print(f"\n🌐 API: {API_URL}\n")
 
 # ═══════════════════════════════════════════════════════════════
 # COLLECTE DES DONNÉES
 # ═══════════════════════════════════════════════════════════════
 
-print("Veuillez renseigner les informations de l'employé:\n")
-
-# === SONDAGE ===
+print("═" * 60)
 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): ")
+print("═" * 60)
+nombre_participation_pee = int(input("Participations PEE [0-3]: "))
+nb_formations_suivies = int(input("Formations suivies [0-6]: "))
+distance_domicile_travail = int(input("Distance domicile-travail km [1-30]: "))
+niveau_education = int(
+    input("Niveau éducation [1=Bac, 2=Bac+2, 3=Licence, 4=Master, 5=Doctorat]: ")
 )
 
-# === 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): "))
+print(f"\nDomaine d'étude: {DOMAINES}")
+domaine_choix = int(input("Choix [1-6]: "))
+domaine_etude = DOMAINES.get(domaine_choix, "Autre")
+
+ayant_enfants_choix = int(input("A des enfants? [0=Non, 1=Oui]: "))
+ayant_enfants = "Y" if ayant_enfants_choix == 1 else "N"
+
+print(f"\nFréquence déplacement: {FREQUENCES}")
+freq_choix = int(input("Choix [1-3]: "))
+frequence_deplacement = FREQUENCES.get(freq_choix, "Aucun")
+
+annees_depuis_promo = int(input("Années depuis dernière promotion [0-15]: "))
+annees_sous_responsable = int(input("Années sous responsable actuel [0-17]: "))
+
+print("\n" + "═" * 60)
+print("📊 DONNÉES ÉVALUATION")
+print("═" * 60)
+satisfaction_environnement = int(input("Satisfaction environnement [1-4]: "))
+note_eval_precedente = int(input("Note évaluation précédente [1-4]: "))
+niveau_hierarchique = int(input("Niveau hiérarchique [1-5]: "))
+satisfaction_travail = int(input("Satisfaction nature travail [1-4]: "))
+satisfaction_equipe = int(input("Satisfaction équipe [1-4]: "))
+satisfaction_equilibre = int(input("Satisfaction équilibre pro/perso [1-4]: "))
+note_eval_actuelle = int(input("Note évaluation actuelle [3-4]: "))
+heures_sup_choix = int(input("Heures supplémentaires? [0=Non, 1=Oui]: "))
+heure_supplementaires = "Oui" if heures_sup_choix == 1 else "Non"
+augmentation_salaire = float(input("Augmentation salaire précédente % [0-25]: "))
+
+print("\n" + "═" * 60)
+print("💼 DONNÉES RH (SIRH)")
+print("═" * 60)
+age = int(input("Âge [18-60]: "))
+genre_choix = int(input("Genre [1=Homme, 2=Femme]: "))
+genre = "M" if genre_choix == 1 else "F"
+revenu_mensuel = float(input("Revenu mensuel € [1000-20000]: "))
+
+print(f"\nStatut marital: {STATUTS}")
+statut_choix = int(input("Choix [1-3]: "))
+statut_marital = STATUTS.get(statut_choix, "Célibataire")
+
+print(f"\nDépartement: {DEPARTEMENTS}")
+dept_choix = int(input("Choix [1-3]: "))
+departement = DEPARTEMENTS.get(dept_choix, "Commercial")
+
+print(f"\nPoste: {POSTES}")
+poste_choix = int(input("Choix [1-9]: "))
+poste = POSTES.get(poste_choix, "Consultant")
+
+nombre_exp_precedentes = int(input("Expériences précédentes [0-9]: "))
+annees_exp_totale = int(input("Années expérience totale [0-40]: "))
+annees_entreprise = int(input("Années dans l'entreprise [0-40]: "))
+annees_poste = 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
+print("\n⏳ Connexion à l'API...")
 
 try:
-    response = requests.post(
-        f"{API_URL}/predict", json=employee_data, headers=headers, timeout=30
+    client = Client(API_URL)
+    print("✅ Connecté")
+    print("⏳ Envoi de la prédiction...")
+
+    result = client.predict(
+        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_promo,
+        annes_sous_responsable_actuel=annees_sous_responsable,
+        satisfaction_employee_environnement=satisfaction_environnement,
+        note_evaluation_precedente=note_eval_precedente,
+        niveau_hierarchique_poste=niveau_hierarchique,
+        satisfaction_employee_nature_travail=satisfaction_travail,
+        satisfaction_employee_equipe=satisfaction_equipe,
+        satisfaction_employee_equilibre_pro_perso=satisfaction_equilibre,
+        note_evaluation_actuelle=note_eval_actuelle,
+        heure_supplementaires=heure_supplementaires,
+        augementation_salaire_precedente=augmentation_salaire,
+        age=age,
+        genre=genre,
+        revenu_mensuel=revenu_mensuel,
+        statut_marital=statut_marital,
+        departement=departement,
+        poste=poste,
+        nombre_experiences_precedentes=nombre_exp_precedentes,
+        nombre_heures_travailless=80,
+        annee_experience_totale=annees_exp_totale,
+        annees_dans_l_entreprise=annees_entreprise,
+        annees_dans_le_poste_actuel=annees_poste,
+        api_name="/predict",
     )
-    response.raise_for_status()
-    result = response.json()
 
     # ═══════════════════════════════════════════════════════════════
     # AFFICHAGE DU RÉSULTAT
     # ═══════════════════════════════════════════════════════════════
-
     print("\n" + "═" * 60)
-    print("                    📊 RÉSULTAT")
+    print("📊 RÉSULTAT DE LA PRÉDICTION")
     print("═" * 60)
 
-    if result["prediction"] == 1:
-        print("\n🏃 PRÉDICTION: L'EMPLOYÉ VA QUITTER L'ENTREPRISE")
+    if isinstance(result, str):
+        # Extraire les probabilités du Markdown
+        prob_depart = re.search(r"Probabilité de départ[^:]*:\s*([\d.]+)%", result)
+        prob_maintien = re.search(r"Probabilité de maintien[^:]*:\s*([\d.]+)%", result)
+        confiance = re.search(r"Confiance[^:]*:\s*([\d.]+)%", result)
+
+        # Niveau de risque
+        if "RISQUE ÉLEVÉ" in result:
+            print("\n🔴 Niveau de risque: ÉLEVÉ")
+        elif "RISQUE MOYEN" in result:
+            print("\n🟠 Niveau de risque: MOYEN")
+        else:
+            print("\n🟢 Niveau de risque: FAIBLE")
+
+        # Probabilités
+        if prob_maintien:
+            print(f"\n📈 Probabilité de rester:  {prob_maintien.group(1)}%")
+        if prob_depart:
+            print(f"📉 Probabilité de partir: {prob_depart.group(1)}%")
+        if confiance:
+            print(f"🎯 Confiance du modèle:   {confiance.group(1)}%")
+
+        # Prédiction finale
+        print("\n" + "─" * 60)
+        if "Départ probable" in result:
+            print("🚨 PRÉDICTION FINALE: VA PARTIR")
+        else:
+            print("✅ PRÉDICTION FINALE: VA RESTER")
+        print("─" * 60)
     else:
-        print("\n✅ PRÉDICTION: L'EMPLOYÉ VA RESTER")
+        print(f"\n📋 Résultat: {result}")
 
-    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)
+    print("\n✅ Prédiction unitaire terminée avec succès!")
 
-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}")
+except ConnectionError:
+    print("\n❌ Impossible de se connecter à l'API locale.")
+    print("   Lancez d'abord: python app.py")
+    sys.exit(1)
+except Exception as e:
+    print(f"\n❌ Erreur: {e}")
+    sys.exit(1)

exemples/demo_unitaire_hf.py

@@ -1,131 +1,210 @@
 #!/usr/bin/env python3
 """
-🔮 Prédiction UNITAIRE via API Hugging Face
+🔮 Prédiction UNITAIRE - API Hugging Face (Gradio)
 
 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.
+Prérequis: pip install gradio_client
 """
 
 import os
-import requests
+import re
+import sys
+
+try:
+    from gradio_client import Client
+except ImportError:
+    print("❌ gradio_client non installé. Installez-le avec:")
+    print("   pip install gradio_client")
+    sys.exit(1)
 
+# ═══════════════════════════════════════════════════════════════
+# CONFIGURATION
+# ═══════════════════════════════════════════════════════════════
 API_URL = os.getenv("HF_API_URL", "https://asi-engineer-oc-p5.hf.space")
 
+# ═══════════════════════════════════════════════════════════════
+# OPTIONS (menus numérotés)
+# ═══════════════════════════════════════════════════════════════
+DOMAINES = {
+    1: "Infra & Cloud",
+    2: "Transformation Digitale",
+    3: "Marketing",
+    4: "Entrepreunariat",
+    5: "Ressources Humaines",
+    6: "Autre",
+}
+FREQUENCES = {1: "Aucun", 2: "Occasionnel", 3: "Frequent"}
+STATUTS = {1: "Célibataire", 2: "Marié(e)", 3: "Divorcé(e)"}
+DEPARTEMENTS = {1: "Commercial", 2: "Consulting", 3: "Ressources Humaines"}
+POSTES = {
+    1: "Cadre Commercial",
+    2: "Assistant de Direction",
+    3: "Consultant",
+    4: "Tech Lead",
+    5: "Manager",
+    6: "Senior Manager",
+    7: "Représentant Commercial",
+    8: "Directeur Technique",
+    9: "Ressources Humaines",
+}
+
 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): ")
+print("║  🔮 PRÉDICTION UNITAIRE - API Hugging Face               ║")
+print("╚══════════════════════════════════════════════════════════╝")
+print(f"\n🌐 API: {API_URL}\n")
+
+# ═══════════════════════════════════════════════════════════════
+# COLLECTE DES DONNÉES
+# ═══════════════════════════════════════════════════════════════
+
+print("═" * 60)
+print("📋 DONNÉES SONDAGE")
+print("═" * 60)
+nombre_participation_pee = int(input("Participations PEE [0-3]: "))
+nb_formations_suivies = int(input("Formations suivies [0-6]: "))
+distance_domicile_travail = int(input("Distance domicile-travail km [1-30]: "))
+niveau_education = int(
+    input("Niveau éducation [1=Bac, 2=Bac+2, 3=Licence, 4=Master, 5=Doctorat]: ")
 )
-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
+print(f"\nDomaine d'étude: {DOMAINES}")
+domaine_choix = int(input("Choix [1-6]: "))
+domaine_etude = DOMAINES.get(domaine_choix, "Autre")
+
+ayant_enfants_choix = int(input("A des enfants? [0=Non, 1=Oui]: "))
+ayant_enfants = "Y" if ayant_enfants_choix == 1 else "N"
+
+print(f"\nFréquence déplacement: {FREQUENCES}")
+freq_choix = int(input("Choix [1-3]: "))
+frequence_deplacement = FREQUENCES.get(freq_choix, "Aucun")
+
+annees_depuis_promo = int(input("Années depuis dernière promotion [0-15]: "))
+annees_sous_responsable = int(input("Années sous responsable actuel [0-17]: "))
+
+print("\n" + "═" * 60)
+print("📊 DONNÉES ÉVALUATION")
+print("═" * 60)
+satisfaction_environnement = int(input("Satisfaction environnement [1-4]: "))
+note_eval_precedente = int(input("Note évaluation précédente [1-4]: "))
+niveau_hierarchique = int(input("Niveau hiérarchique [1-5]: "))
+satisfaction_travail = int(input("Satisfaction nature travail [1-4]: "))
+satisfaction_equipe = int(input("Satisfaction équipe [1-4]: "))
+satisfaction_equilibre = int(input("Satisfaction équilibre pro/perso [1-4]: "))
+note_eval_actuelle = int(input("Note évaluation actuelle [3-4]: "))
+heures_sup_choix = int(input("Heures supplémentaires? [0=Non, 1=Oui]: "))
+heure_supplementaires = "Oui" if heures_sup_choix == 1 else "Non"
+augmentation_salaire = float(input("Augmentation salaire précédente % [0-25]: "))
+
+print("\n" + "═" * 60)
+print("💼 DONNÉES RH (SIRH)")
+print("═" * 60)
+age = int(input("Âge [18-60]: "))
+genre_choix = int(input("Genre [1=Homme, 2=Femme]: "))
+genre = "M" if genre_choix == 1 else "F"
+revenu_mensuel = float(input("Revenu mensuel € [1000-20000]: "))
+
+print(f"\nStatut marital: {STATUTS}")
+statut_choix = int(input("Choix [1-3]: "))
+statut_marital = STATUTS.get(statut_choix, "Célibataire")
+
+print(f"\nDépartement: {DEPARTEMENTS}")
+dept_choix = int(input("Choix [1-3]: "))
+departement = DEPARTEMENTS.get(dept_choix, "Commercial")
+
+print(f"\nPoste: {POSTES}")
+poste_choix = int(input("Choix [1-9]: "))
+poste = POSTES.get(poste_choix, "Consultant")
+
+nombre_exp_precedentes = int(input("Expériences précédentes [0-9]: "))
+annees_exp_totale = int(input("Années expérience totale [0-40]: "))
+annees_entreprise = int(input("Années dans l'entreprise [0-40]: "))
+annees_poste = int(input("Années dans le poste actuel [0-18]: "))
+
+# ═══════════════════════════════════════════════════════════════
+# PRÉDICTION
+# ═══════════════════════════════════════════════════════════════
+print("\n⏳ Connexion à l'API...")
 
 try:
-    r = requests.post(
-        f"{API_URL}/predict", json=employee_data, headers=headers, timeout=45
+    client = Client(API_URL)
+    print("✅ Connecté")
+    print("⏳ Envoi de la prédiction...")
+
+    result = client.predict(
+        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_promo,
+        annes_sous_responsable_actuel=annees_sous_responsable,
+        satisfaction_employee_environnement=satisfaction_environnement,
+        note_evaluation_precedente=note_eval_precedente,
+        niveau_hierarchique_poste=niveau_hierarchique,
+        satisfaction_employee_nature_travail=satisfaction_travail,
+        satisfaction_employee_equipe=satisfaction_equipe,
+        satisfaction_employee_equilibre_pro_perso=satisfaction_equilibre,
+        note_evaluation_actuelle=note_eval_actuelle,
+        heure_supplementaires=heure_supplementaires,
+        augementation_salaire_precedente=augmentation_salaire,
+        age=age,
+        genre=genre,
+        revenu_mensuel=revenu_mensuel,
+        statut_marital=statut_marital,
+        departement=departement,
+        poste=poste,
+        nombre_experiences_precedentes=nombre_exp_precedentes,
+        nombre_heures_travailless=80,
+        annee_experience_totale=annees_exp_totale,
+        annees_dans_l_entreprise=annees_entreprise,
+        annees_dans_le_poste_actuel=annees_poste,
+        api_name="/predict",
     )
-    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()
 
+    # ═══════════════════════════════════════════════════════════════
+    # AFFICHAGE DU RÉSULTAT
+    # ═══════════════════════════════════════════════════════════════
     print("\n" + "═" * 60)
-    print("                    📊 RÉSULTAT (HF)")
+    print("📊 RÉSULTAT DE LA PRÉDICTION")
     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}")
+
+    if isinstance(result, str):
+        # Extraire les probabilités du Markdown
+        prob_depart = re.search(r"Probabilité de départ[^:]*:\s*([\d.]+)%", result)
+        prob_maintien = re.search(r"Probabilité de maintien[^:]*:\s*([\d.]+)%", result)
+        confiance = re.search(r"Confiance[^:]*:\s*([\d.]+)%", result)
+
+        # Niveau de risque
+        if "RISQUE ÉLEVÉ" in result:
+            print("\n🔴 Niveau de risque: ÉLEVÉ")
+        elif "RISQUE MOYEN" in result:
+            print("\n🟠 Niveau de risque: MOYEN")
+        else:
+            print("\n🟢 Niveau de risque: FAIBLE")
+
+        # Probabilités
+        if prob_maintien:
+            print(f"\n📈 Probabilité de rester:  {prob_maintien.group(1)}%")
+        if prob_depart:
+            print(f"📉 Probabilité de partir: {prob_depart.group(1)}%")
+        if confiance:
+            print(f"🎯 Confiance du modèle:   {confiance.group(1)}%")
+
+        # Prédiction finale
+        print("\n" + "─" * 60)
+        if "Départ probable" in result:
+            print("🚨 PRÉDICTION FINALE: VA PARTIR")
+        else:
+            print("✅ PRÉDICTION FINALE: VA RESTER")
+        print("─" * 60)
+    else:
+        print(f"\n📋 Résultat: {result}")
+
+    print("\n✅ Prédiction unitaire terminée avec succès!")
+
+except Exception as e:
+    print(f"\n❌ Erreur: {e}")
+    sys.exit(1)

exemples/lancer_api.sh

@@ -1,44 +0,0 @@
-#!/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_hf_20260112_043238.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%

mkdocs.yml

@@ -149,16 +149,12 @@ extra:
 nav:
   - Accueil: index.md
   
-  - Guide:
-    - Installation: installation.md
-    - Configuration: configuration.md
-    - API: api.md
-    - Modèle ML: model.md
-    - Entraînement: training.md
-    - Déploiement: deployment.md
+  - Documentation:
+    - API: api_documentation.md
+    - Architecture: architecture.md
+    - Déploiement: deployment_guide.md
   
   - Référence:
-    - Changelog: changelog.md
-    - Base de données: database_guide.md
-    - Archive mission OC: etapes_archive.txt
+    - Base de données: database_setup.md
+    - Tests: tests_report.md
 

requirements_prod.txt

@@ -0,0 +1,123 @@
+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-doc==0.0.4 ; 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"
+charset-normalizer==3.4.4 ; python_version >= "3.12" and python_version < "4.0"
+click==8.3.1 ; python_version >= "3.12" and python_version < "4.0"
+cloudpickle==3.1.2 ; python_version >= "3.12" and python_version < "4.0"
+colorama==0.4.6 ; python_version >= "3.12" and python_version < "4.0" and (platform_system == "Windows" or sys_platform == "win32")
+contourpy==1.3.3 ; python_version >= "3.12" and python_version < "4.0"
+cryptography==46.0.3 ; python_version >= "3.12" and python_version < "4.0"
+cycler==0.12.1 ; python_version >= "3.12" and python_version < "4.0"
+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==0.127.1 ; 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"
+fonttools==4.61.1 ; python_version >= "3.12" and python_version < "4.0"
+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")
+httpcore==1.0.9 ; python_version >= "3.12" and python_version < "4.0"
+httptools==0.7.1 ; python_version >= "3.12" and python_version < "4.0"
+httpx==0.28.1 ; python_version >= "3.12" and python_version < "4.0"
+huey==2.5.5 ; python_version >= "3.12" and python_version < "4.0"
+huggingface-hub==1.2.3 ; python_version >= "3.12" and python_version < "4.0"
+idna==3.11 ; python_version >= "3.12" and python_version < "4.0"
+imbalanced-learn==0.13.0 ; python_version >= "3.12" and python_version < "4.0"
+importlib-metadata==8.7.1 ; python_version >= "3.12" and python_version < "4.0"
+itsdangerous==2.2.0 ; python_version >= "3.12" and python_version < "4.0"
+jinja2==3.1.6 ; python_version >= "3.12" and python_version < "4.0"
+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"
+numpy==2.4.0 ; python_version >= "3.12" and python_version < "4.0"
+nvidia-nccl-cu12==2.28.9 ; python_version >= "3.12" and python_version < "4.0" and platform_system == "Linux" and platform_machine != "aarch64"
+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"
+protobuf==6.33.2 ; python_version >= "3.12" and python_version < "4.0"
+psycopg2-binary==2.9.9 ; python_version >= "3.12" and python_version < "4.0"
+pyarrow==22.0.0 ; python_version >= "3.12" and python_version < "4.0"
+pyasn1-modules==0.4.2 ; python_version >= "3.12" and python_version < "4.0"
+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==1.0.0 ; 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"
+slowapi==0.1.9 ; python_version >= "3.12" and python_version < "4.0"
+smmap==5.0.2 ; python_version >= "3.12" and python_version < "4.0"
+sqlalchemy==2.0.23 ; python_version >= "3.12" and python_version < "4.0"
+sqlparse==0.5.5 ; python_version >= "3.12" and python_version < "4.0"
+starlette==0.50.0 ; 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"
+urllib3==2.6.2 ; python_version >= "3.12" and python_version < "4.0"
+uvicorn==0.32.1 ; python_version >= "3.12" and python_version < "4.0"
+uvloop==0.22.1 ; python_version >= "3.12" and python_version < "4.0" and sys_platform != "win32" and sys_platform != "cygwin" and platform_python_implementation != "PyPy"
+waitress==3.0.2 ; python_version >= "3.12" and python_version < "4.0" and platform_system == "Windows"
+watchfiles==1.1.1 ; python_version >= "3.12" and python_version < "4.0"
+websockets==15.0.1 ; python_version >= "3.12" and python_version < "4.0"
+werkzeug==3.1.4 ; python_version >= "3.12" and python_version < "4.0"
+wrapt==2.0.1 ; python_version >= "3.12" and python_version < "4.0"
+xgboost==2.1.4 ; python_version >= "3.12" and python_version < "4.0"
+zipp==3.23.0 ; python_version >= "3.12" and python_version < "4.0"

src/Dockerfile

@@ -2,34 +2,32 @@ FROM python:3.12-slim
 
 WORKDIR /app
 
-# Installer Poetry
-RUN pip install poetry
-
 # Installer les dépendances système
 RUN apt-get update && apt-get install -y \
     curl \
     && rm -rf /var/lib/apt/lists/*
 
-# Copier les fichiers de dépendances Poetry
-COPY pyproject.toml poetry.lock ./
+# Copier le fichier de dépendances (généré via poetry export)
+COPY requirements_prod.txt .
 
-# Configurer Poetry pour ne pas créer d'environnement virtuel
-RUN poetry config virtualenvs.create false
+# Installer les dépendances Python directement via pip
+# Cette approche est plus robuste que poetry install sur HF Spaces
+RUN pip install --no-cache-dir -r requirements_prod.txt
 
-# Installer les dépendances Python via Poetry
-RUN poetry install --no-dev --no-interaction --no-ansi
+# Vérifier que les dépendances critiques sont bien installées
+RUN python -c "import slowapi; import fastapi; import gradio; print('✓ All critical dependencies installed')"
 
 # Copier le code de l'application
 COPY app.py .
+COPY api.py .
 COPY db_models.py .
 COPY src/ ./src/
-COPY .env.example .env
 
 # Créer le dossier logs
 RUN mkdir -p logs
 
-# Exposer le port (7860 = Gradio par défaut sur HuggingFace Spaces)
-EXPOSE 7860
+# Exposer les ports (7860 = Gradio, 8000 = FastAPI)
+EXPOSE 7860 8000
 
 # Variables d'environnement par défaut
 ENV DEBUG=false
@@ -41,5 +39,5 @@ ENV PYTHONUNBUFFERED=1
 HEALTHCHECK --interval=30s --timeout=10s --start-period=120s --retries=3 \
   CMD curl -f http://localhost:7860/ || exit 1
 
-# Commande de démarrage - Lancer l'app Gradio directement
+# Commande de démarrage
 CMD ["python", "app.py"]

src/gradio_ui.py

@@ -542,17 +542,26 @@ def create_gradio_interface():
             # Onglet Batch
             with gr.TabItem("📦 Batch"):
                 gr.Markdown(
-                    "### Prédictions batch à partir de 3 CSV (sondage, évaluation, SIRH)"
+                    """### Prédictions batch à partir de 3 CSV (sondage, évaluation, SIRH)
+
+⚠️ **Ordre important :** Assurez-vous d'uploader les bons fichiers dans chaque champ.
+"""
                 )
                 with gr.Column():
                     sondage_file = gr.File(
-                        label="CSV Sondage", file_types=[".csv"], type="filepath"
+                        label="📋 CSV Sondage (ex: 02_predict_batch_sondage.csv)",
+                        file_types=[".csv"],
+                        type="filepath",
                     )
                     eval_file = gr.File(
-                        label="CSV Évaluation", file_types=[".csv"], type="filepath"
+                        label="📊 CSV Évaluation (ex: 02_predict_batch_eval.csv)",
+                        file_types=[".csv"],
+                        type="filepath",
                     )
                     sirh_file = gr.File(
-                        label="CSV SIRH", file_types=[".csv"], type="filepath"
+                        label="👤 CSV SIRH (ex: 02_predict_batch_sirh.csv)",
+                        file_types=[".csv"],
+                        type="filepath",
                     )
                     batch_btn = gr.Button("📦 Prédire en batch", variant="primary")
                     batch_result = gr.JSON(label="Résultat batch")

test_deployment.sh

@@ -0,0 +1,166 @@
+#!/bin/bash
+# Script de test avant déploiement sur HuggingFace Spaces
+# Vérifie que FastAPI et Gradio fonctionnent correctement ensemble
+
+set -e
+
+echo "=========================================="
+echo "🧪 Test de l'application avant déploiement"
+echo "=========================================="
+
+# Couleurs
+RED='\033[0;31m'
+GREEN='\033[0;32m'
+YELLOW='\033[1;33m'
+NC='\033[0m' # No Color
+
+# Fonction de nettoyage
+cleanup() {
+    echo -e "\n${YELLOW}🧹 Nettoyage...${NC}"
+    pkill -f "python app.py" 2>/dev/null || true
+    pkill -f "uvicorn api:app" 2>/dev/null || true
+    sleep 2
+}
+
+# Nettoyer avant de commencer
+cleanup
+
+# Trap pour nettoyer en cas d'interruption
+trap cleanup EXIT INT TERM
+
+echo -e "\n${YELLOW}1️⃣  Démarrage de l'application...${NC}"
+
+# Chercher l'environnement virtuel
+if [ -d ".venv" ]; then
+    PYTHON=".venv/bin/python"
+elif [ -d "venv" ]; then
+    PYTHON="venv/bin/python"
+else
+    PYTHON="python3"
+fi
+
+echo -e "${YELLOW}   Using Python: $PYTHON${NC}"
+$PYTHON app.py > /tmp/app_test.log 2>&1 &
+APP_PID=$!
+
+# Attendre le démarrage
+echo -e "${YELLOW}⏳ Attente du démarrage (20s)...${NC}"
+sleep 20
+
+# Vérifier que le processus tourne
+if ! ps -p $APP_PID > /dev/null; then
+    echo -e "${RED}❌ L'application a crashé au démarrage${NC}"
+    echo -e "\n${YELLOW}Logs:${NC}"
+    tail -30 /tmp/app_test.log
+    exit 1
+fi
+
+echo -e "${GREEN}✅ Application démarrée${NC}"
+
+# Test 1: Health check FastAPI
+echo -e "\n${YELLOW}2️⃣  Test health check FastAPI (port 8000)...${NC}"
+if curl -s -f http://localhost:8000/health > /dev/null; then
+    echo -e "${GREEN}✅ FastAPI répond${NC}"
+    curl -s http://localhost:8000/health | python3 -m json.tool 2>/dev/null || echo "{}"
+else
+    echo -e "${RED}❌ FastAPI ne répond pas${NC}"
+    tail -30 /tmp/app_test.log
+    exit 1
+fi
+
+# Test 2: Gradio home
+echo -e "\n${YELLOW}3️⃣  Test interface Gradio (port 7860)...${NC}"
+if curl -s -f http://localhost:7860/ > /dev/null; then
+    echo -e "${GREEN}✅ Gradio répond${NC}"
+else
+    echo -e "${RED}❌ Gradio ne répond pas${NC}"
+    tail -30 /tmp/app_test.log
+    exit 1
+fi
+
+# Test 3: Prédiction API
+echo -e "\n${YELLOW}4️⃣  Test prédiction via API FastAPI...${NC}"
+
+# Récupérer la clé API depuis .env ou utiliser la clé par défaut
+if [ -f ".env" ]; then
+    API_KEY=$(grep "^API_KEY=" .env | cut -d'=' -f2)
+else
+    API_KEY="dev-key-change-me-in-production"
+fi
+
+RESPONSE=$(curl -s -X POST http://localhost:8000/predict \
+  -H "Content-Type: application/json" \
+  -H "X-API-Key: $API_KEY" \
+  -d '{
+    "nombre_participation_pee": 0,
+    "nb_formations_suivies": 2,
+    "nombre_employee_sous_responsabilite": 1,
+    "distance_domicile_travail": 15,
+    "niveau_education": 3,
+    "domaine_etude": "Infra & Cloud",
+    "ayant_enfants": "Y",
+    "frequence_deplacement": "Occasionnel",
+    "annees_depuis_la_derniere_promotion": 2,
+    "annes_sous_responsable_actuel": 5,
+    "satisfaction_employee_environnement": 3,
+    "note_evaluation_precedente": 4,
+    "niveau_hierarchique_poste": 2,
+    "satisfaction_employee_nature_travail": 3,
+    "satisfaction_employee_equipe": 3,
+    "satisfaction_employee_equilibre_pro_perso": 2,
+    "note_evaluation_actuelle": 4,
+    "heure_supplementaires": "Non",
+    "augementation_salaire_precedente": 5.5,
+    "age": 35,
+    "genre": "M",
+    "revenu_mensuel": 4500.0,
+    "statut_marital": "Marié(e)",
+    "departement": "Commercial",
+    "poste": "Manager",
+    "nombre_experiences_precedentes": 3,
+    "nombre_heures_travailless": 80,
+    "annee_experience_totale": 10,
+    "annees_dans_l_entreprise": 5,
+    "annees_dans_le_poste_actuel": 2
+  }')
+
+if echo "$RESPONSE" | grep -q "prediction"; then
+    echo -e "${GREEN}✅ Prédiction réussie${NC}"
+    echo "$RESPONSE" | python3 -m json.tool 2>/dev/null || echo "$RESPONSE"
+else
+    echo -e "${RED}❌ Erreur lors de la prédiction${NC}"
+    echo "$RESPONSE"
+    exit 1
+fi
+
+# Test 4: Documentation Swagger
+echo -e "\n${YELLOW}5️⃣  Test documentation Swagger...${NC}"
+if curl -s -f http://localhost:8000/docs > /dev/null; then
+    echo -e "${GREEN}✅ Documentation accessible${NC}"
+else
+    echo -e "${RED}❌ Documentation non accessible${NC}"
+    exit 1
+fi
+
+# Résumé final
+echo -e "\n=========================================="
+echo -e "${GREEN}✅ TOUS LES TESTS SONT PASSÉS !${NC}"
+echo -e "=========================================="
+echo ""
+echo "L'application est prête pour le déploiement sur HuggingFace Spaces."
+echo ""
+echo "Prochaines étapes :"
+echo "1. Committez vos changements : git add . && git commit -m 'Deploy FastAPI + Gradio'"
+echo "2. Poussez sur GitHub : git push origin main"
+echo "3. HF Spaces se synchronisera automatiquement"
+echo "4. Vérifiez les logs sur https://huggingface.co/spaces/votre-username/votre-space/logs"
+echo ""
+echo "URLs attendues sur HF Spaces :"
+echo "  - Interface : https://votre-space.hf.space/"
+echo "  - API interne : http://localhost:8000 (non publique)"
+echo ""
+
+# Nettoyer
+cleanup
+
+exit 0