Upload folder using huggingface_hub

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*

HF_DEPLOYMENT.md

@@ -1,168 +0,0 @@
-# Déploiement sur HuggingFace Spaces
-
-## Architecture déployée
-
-L'application lance **2 services simultanément** :
-
-1. **FastAPI** (port 8000) : API REST complète
-2. **Gradio** (port 7860) : Interface web interactive
-
-## URLs d'accès
-
-Sur HuggingFace Spaces, l'application sera accessible à :
-
-- **Interface Gradio** : `https://votre-space.hf.space/` (port public 7860)
-- **API FastAPI** : Accessible en interne via `http://localhost:8000`
-
-⚠️ **Note importante** : HuggingFace Spaces n'expose publiquement que le port 7860 (Gradio). L'API FastAPI est accessible uniquement en interne ou via l'interface Gradio.
-
-## Configuration requise sur HF Spaces
-
-### 1. Variables d'environnement (Secrets)
-
-Dans les paramètres de votre Space, configurez ces secrets :
-
-```bash
-API_KEY=votre-clé-api-production
-DEBUG=false
-LOG_LEVEL=INFO
-GRADIO_ENABLED=true
-```
-
-### 2. Fichiers nécessaires
-
-Ces fichiers doivent être présents dans le repository :
-
-```
-.
-├── app.py                 # Lance FastAPI + Gradio
-├── api.py                 # Code FastAPI
-├── db_models.py          # Modèles BDD (optionnel sur HF)
-├── pyproject.toml        # Dépendances Poetry
-├── poetry.lock           # Lock des versions
-├── README.md             # Documentation + metadata HF
-└── src/
-    ├── __init__.py
-    ├── auth.py
-    ├── config.py
-    ├── gradio_ui.py      # Interface Gradio
-    ├── logger.py
-    ├── models.py
-    ├── preprocessing.py
-    ├── rate_limit.py
-    └── schemas.py
-```
-
-### 3. Metadata HF dans README.md
-
-Assurez-vous que le header YAML dans `README.md` contient :
-
-```yaml
----
-title: Employee Turnover Prediction API
-emoji: 🚀
-colorFrom: blue
-colorTo: green
-sdk: gradio
-sdk_version: "5.9.1"
-app_file: app.py
-pinned: false
----
-```
-
-## Comment l'application démarre
-
-1. `app.py` démarre FastAPI sur le port 8000 (background)
-2. Attend que FastAPI soit opérationnel (health check)
-3. Lance Gradio sur le port 7860 (foreground)
-4. Les deux services communiquent en interne
-
-## Test local
-
-Pour tester localement avant déploiement :
-
-```bash
-# Activer l'environnement virtuel
-source .venv/bin/activate
-
-# Lancer l'application
-python app.py
-```
-
-Puis accédez à :
-- Gradio : http://localhost:7860
-- FastAPI : http://localhost:8000/docs
-
-## Utilisation de l'API depuis l'extérieur
-
-### Option 1 : Via l'interface Gradio (recommandé)
-
-Utilisez l'interface web directement sur `https://votre-space.hf.space/`
-
-### Option 2 : Via l'API Gradio (pour scripts externes)
-
-Gradio expose automatiquement une API pour ses fonctions :
-
-```python
-from gradio_client import Client
-
-client = Client("https://votre-space.hf.space/")
-result = client.predict(
-    nombre_participation_pee=0,
-    nb_formations_suivies=2,
-    # ... autres paramètres
-    api_name="/predict"
-)
-print(result)
-```
-
-### Option 3 : FastAPI (uniquement en local ou si proxy configuré)
-
-L'API FastAPI n'est pas directement accessible depuis l'extérieur sur HF Spaces.
-
-## Dépannage
-
-### Le Space ne démarre pas
-
-1. Vérifiez les logs dans l'onglet "Logs" de HF Spaces
-2. Vérifiez que `pyproject.toml` et `poetry.lock` sont à jour
-3. Vérifiez que toutes les dépendances sont installables
-
-### FastAPI ne démarre pas
-
-- Vérifiez que `uvicorn` est dans les dépendances
-- Vérifiez les logs pour les erreurs de port
-- Assurez-vous que le modèle est bien téléchargeable depuis HF Hub
-
-### Gradio ne répond pas
-
-- Vérifiez que le port 7860 n'est pas bloqué
-- Vérifiez que `sdk: gradio` est bien dans le README
-- Vérifiez que `app_file: app.py` pointe vers le bon fichier
-
-## Logs et monitoring
-
-Les logs sont visibles dans l'onglet "Logs" de HF Spaces. Format :
-
-```
-2026-01-12 03:22:01,905 - INFO - 🚀 Démarrage de l'application complète
-2026-01-12 03:22:02,256 - INFO - [FastAPI] Application startup complete
-2026-01-12 03:22:04,855 - INFO - ✅ FastAPI démarré et opérationnel
-2026-01-12 03:22:06,717 - INFO - 🌐 Lancement du serveur sur 0.0.0.0:7860...
-```
-
-## Mise à jour du déploiement
-
-Pour mettre à jour l'application :
-
-1. Committez vos changements sur GitHub
-2. HF Spaces se synchronise automatiquement
-3. Le Space redémarre avec les nouveaux fichiers
-4. Vérifiez les logs pour confirmer le bon démarrage
-
-## Support
-
-En cas de problème :
-1. Consultez les logs HF Spaces
-2. Testez localement avec `python app.py`
-3. Vérifiez la documentation : https://huggingface.co/docs/hub/spaces

HF_TROUBLESHOOTING.md

@@ -1,137 +0,0 @@
-# 🔧 Guide de Dépannage - HuggingFace Spaces
-
-## Erreur : "No module named 'slowapi'"
-
-### Cause
-FastAPI n'a pas pu démarrer parce que la dépendance `slowapi` n'a pas été installée lors du build Docker.
-
-### Raisons possibles
-1. **Cache de dépendances** - HF Spaces a peut-être mis en cache une ancienne version
-2. **Installation incomplète** - Poetry n'a pas installé toutes les dépendances
-3. **Timeout lors du build** - Le build a peut-être expiré
-
-### Solutions (dans l'ordre)
-
-#### ✅ **Solution 1 : Factory Reboot (Recommandé)**
-
-1. Allez sur votre HF Space : https://huggingface.co/spaces/votre-username/oc-p5-dev
-2. Cliquez sur **Settings** (⚙️)
-3. Scrollez jusqu'à **"Reboot"**
-4. Cliquez sur **"Factory reboot"**
-5. Attendez 3-5 minutes que le Space se reconstruise
-
-Cela efface le cache et force HF à télécharger toutes les dépendances depuis zéro.
-
-#### ✅ **Solution 2 : Vérifier que poetry.lock est à jour**
-
-Localement :
-```bash
-cd /home/valentin/Env_Python/OC_P5
-poetry lock
-git add poetry.lock
-git commit -m "sync: update poetry.lock"
-git push origin main
-```
-
-Attendez 2-3 minutes que HF Spaces se synchronise, puis attendez le rebuild.
-
-#### ✅ **Solution 3 : Ajouter une étape de diagnostic dans le Dockerfile**
-
-Le Dockerfile a été mis à jour pour vérifier que les dépendances critiques sont bien installées :
-
-```dockerfile
-RUN python -c "import slowapi; import fastapi; import gradio; print('All critical dependencies installed ✓')"
-```
-
-Si cette étape échoue, le build Docker échouera immédiatement avec un message clair.
-
-#### ✅ **Solution 4 : Forcer un build sans cache**
-
-Sur HF Spaces :
-1. Settings → Advanced settings
-2. Cochez l'option "Disable cache" ou similaire
-3. Cliquez sur "Restart" ou "Rebuild"
-
-## Symptômes et solutions
-
-### Symptôme : "Error: No API found"
-
-**Signifie** : Gradio démarre mais FastAPI n'a pas pu démarrer.
-
-**Solution** :
-1. Vérifiez les logs HF Spaces
-2. Recherchez "ModuleNotFoundError: No module named 'slowapi'"
-3. Si oui, appliquez "Solution 1" (Factory reboot)
-
-### Symptôme : "502 Bad Gateway"
-
-**Signifie** : Gradio n'a pas pu démarrer ou le port 7860 est occupé.
-
-**Solution** :
-1. Attendez 2-3 minutes (premier démarrage peut être lent)
-2. Appliquez "Solution 1" (Factory reboot)
-3. Vérifiez les logs pour les erreurs Gradio
-
-### Symptôme : "Connection refused" sur le health check
-
-**Signifie** : FastAPI a crashé après son démarrage.
-
-**Solution** :
-1. Cherchez "Traceback" dans les logs
-2. Identifiez l'erreur Python
-3. Corrigez le code et poussez une nouvelle version
-
-## Vérification locale
-
-Avant de déployer, testez toujours localement :
-
-```bash
-# Lancer le test complet
-./test_deployment.sh
-
-# Ou tester individuellement
-poetry run uvicorn api:app --host 0.0.0.0 --port 8000 &
-python app.py
-```
-
-## Fichiers importants
-
-- `pyproject.toml` - Déclare toutes les dépendances
-- `poetry.lock` - Versions exactes des dépendances (DOIT être synchronisé)
-- `src/Dockerfile` - Build image pour HF Spaces
-- `app.py` - Lance FastAPI + Gradio
-
-## Logs à surveiller
-
-Sur HF Spaces, dans l'onglet "Logs", recherchez ces patterns :
-
-```
-✓ "[FastAPI] Application startup complete" - FastAPI a démarré
-✓ "Running on local URL: http://0.0.0.0:7860" - Gradio a démarré
-✗ "ModuleNotFoundError: No module named 'slowapi'" - Dépendance manquante
-✗ "Traceback" - Erreur Python
-```
-
-## Points clés
-
-- `slowapi` est une dépendance de **production** (en development dependencies)
-- `poetry.lock` DOIT être à jour (généré avec `poetry lock`)
-- HF Spaces peut mettre en cache → utiliser Factory reboot si nécessaire
-- Le premier build peut prendre 5-10 minutes
-
-## Questions fréquentes
-
-**Q : Pourquoi ça fonctionne en local mais pas sur HF ?**
-A : Probablement un problème d'installation des dépendances lors du build Docker. Utilisez Factory reboot.
-
-**Q : Combien de temps ça prend à déployer ?**
-A : Généralement 3-10 minutes après un push sur GitHub.
-
-**Q : Pourquoi je vois "API not found" ?**
-A : FastAPI n'a pas démarré. Vérifiez les logs pour "ModuleNotFoundError" ou "Traceback".
-
-## Contact & Support
-
-- Documentation HF : https://huggingface.co/docs/hub/spaces
-- Documentation Gradio : https://gradio.app/docs/
-- Documentation FastAPI : https://fastapi.tiangolo.com/

QUICK_DEPLOY.md

@@ -1,139 +0,0 @@
-# Guide de déploiement rapide sur HuggingFace Spaces
-
-## ✅ Prérequis
-
-Votre application est maintenant configurée pour déployer **FastAPI + Gradio** ensemble.
-
-## 🚀 Déploiement en 3 étapes
-
-### Étape 1 : Tester localement
-
-```bash
-# Lancer le script de test
-./test_deployment.sh
-```
-
-Si tous les tests passent ✅, passez à l'étape 2.
-
-### Étape 2 : Commiter les changements
-
-```bash
-# Voir les fichiers modifiés
-git status
-
-# Ajouter tous les fichiers
-git add app.py src/Dockerfile HF_DEPLOYMENT.md test_deployment.sh QUICK_DEPLOY.md
-
-# Commiter
-git commit -m "Deploy: FastAPI + Gradio on HuggingFace Spaces"
-
-# Pousser sur GitHub
-git push origin main
-```
-
-### Étape 3 : Synchroniser HuggingFace Spaces
-
-HuggingFace Spaces se synchronise automatiquement avec votre repo GitHub.
-
-1. Allez sur https://huggingface.co/spaces/votre-username/votre-space
-2. Cliquez sur l'onglet **"Settings"**
-3. Dans "Repository", vérifiez que le lien GitHub est configuré
-4. Le Space va se rebuilder automatiquement
-5. Vérifiez les logs dans l'onglet **"Logs"**
-
-## 📋 Checklist de vérification
-
-- [ ] Les tests locaux passent (`./test_deployment.sh`)
-- [ ] Le fichier `README.md` contient le header YAML avec `sdk: gradio`
-- [ ] Les dépendances sont à jour dans `pyproject.toml`
-- [ ] Les secrets sont configurés sur HF Spaces (API_KEY, DEBUG, etc.)
-- [ ] Le repository GitHub est synchronisé
-
-## 🔍 Vérification après déploiement
-
-Une fois le Space déployé, vérifiez :
-
-1. **Interface Gradio** : Accédez à `https://votre-space.hf.space/`
-   - Testez une prédiction unitaire
-   - Testez une prédiction batch
-
-2. **Logs** : Consultez les logs sur HF Spaces
-   ```
-   ✅ Recherchez ces messages :
-   - "🚀 Démarrage de l'application complète"
-   - "[FastAPI] Application startup complete"
-   - "✅ FastAPI démarré et opérationnel"
-   - "🌐 Lancement du serveur sur 0.0.0.0:7860"
-   ```
-
-3. **API interne** : L'API FastAPI tourne en interne (non accessible publiquement)
-
-## ⚠️ Problèmes courants
-
-### Le Space ne démarre pas
-
-**Symptômes** : Le Space affiche "Building" indéfiniment ou erreur au démarrage
-
-**Solutions** :
-1. Vérifiez les logs HF Spaces
-2. Vérifiez que `pyproject.toml` et `poetry.lock` sont synchronisés
-3. Vérifiez que toutes les dépendances sont installables
-4. Essayez de rebuilder manuellement : Settings → Factory reboot
-
-### FastAPI ne démarre pas
-
-**Symptômes** : Dans les logs, erreur au démarrage de uvicorn
-
-**Solutions** :
-1. Vérifiez que `uvicorn` est dans `pyproject.toml`
-2. Vérifiez que `api.py` est bien copié (voir `src/Dockerfile`)
-3. Vérifiez que le modèle est téléchargeable depuis HF Hub
-
-### Gradio ne répond pas
-
-**Symptômes** : "502 Bad Gateway" ou page blanche
-
-**Solutions** :
-1. Vérifiez que `sdk: gradio` est dans le header YAML du README
-2. Vérifiez que `app_file: app.py` pointe vers le bon fichier
-3. Attendez 2-3 minutes (le premier démarrage est long)
-
-### "API not found" dans l'interface
-
-**Symptômes** : L'interface s'affiche mais les prédictions échouent
-
-**Solutions** :
-1. Vérifiez que FastAPI a bien démarré (logs)
-2. Vérifiez que le port 8000 n'est pas bloqué
-3. Augmentez le temps d'attente dans `app.py` (ligne avec `sleep(5)`)
-
-## 🔄 Mise à jour du Space
-
-Pour mettre à jour votre Space après modification :
-
-```bash
-# 1. Modifier vos fichiers
-# 2. Commiter
-git add .
-git commit -m "Update: description des changements"
-git push origin main
-
-# 3. HF Spaces se met à jour automatiquement (1-2 minutes)
-```
-
-## 📞 Support
-
-- Documentation HF : https://huggingface.co/docs/hub/spaces
-- Documentation Gradio : https://gradio.app/docs/
-- Documentation FastAPI : https://fastapi.tiangolo.com/
-
-## 🎉 Vous êtes prêt !
-
-Votre application est maintenant prête à être déployée avec :
-- ✅ API REST complète (FastAPI)
-- ✅ Interface web interactive (Gradio)
-- ✅ Prédictions unitaires et batch
-- ✅ Documentation automatique
-- ✅ Monitoring et logs
-
-Bon déploiement ! 🚀

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/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%