Create app.py

app.py

@@ -0,0 +1,293 @@
+# -----------------------------------------------------------------------------
+# app_fhe.py – Gradio UI that performs audit‑opinion (credit‑risk) prediction
+# with a Concrete‑ML FHE‑compiled XGBoost model.
+# -----------------------------------------------------------------------------
+# Workflow
+# --------
+# 1. User uploads Excel ⇒ 24 financial ratios are computed.
+# 2. Feature vector is encrypted with a freshly generated **public key**.
+# 3. FHE inference runs server‑side, returns ciphertext + **secret key**.
+# 4. User pastes secret key → presses **Çöz** → result is decrypted client‑side.
+# -----------------------------------------------------------------------------
+# NOTE: Key exchange is demo‑grade (base64).  In production, the secret key
+# should never leave the client; consider WebAssembly or hybrid encryption.
+# -----------------------------------------------------------------------------
+
+from __future__ import annotations
+
+import base64
+import io
+from pathlib import Path
+from typing import Any
+
+import gradio as gr
+import joblib
+import numpy as np
+import pandas as pd
+
+# Concrete‑ML – change path if needed
+from concrete.ml.sklearn import FHEModel  # type: ignore
+
+# -----------------------------------------------------------------------------
+# CONSTANTS & PATHS
+# -----------------------------------------------------------------------------
+SAMPLE_DIR = "Sample Inputs (Excel)"
+EXAMPLE_XLSX = [
+    f"{SAMPLE_DIR}/ADESE_2021.xlsx",
+    f"{SAMPLE_DIR}/YYAPI_2017.xlsx",
+    f"{SAMPLE_DIR}/SRVGY_2022.xlsx",
+    f"{SAMPLE_DIR}/THYAO_2023.xlsx",
+    f"{SAMPLE_DIR}/TTRAK_2024.xlsx",
+]
+
+FHE_MODEL_PATH = "fhe_xgb.joblib"          # Concrete‑ML‑compiled model
+ENCODER_PATH   = "label_encoder.joblib"     # scikit‑learn LabelEncoder
+
+# 24‑FEATURE SET (user‑provided)
+SELECTED_FEATS = [
+    "Finansal Kaldıraç", "Zmijewski Skoru", "Cari Oran", "Asit Test Oranı",
+    "Nakit Oranı", "Aktif Devir Hızı", "Duran Varlıklar / Aktif ",
+    "Altman Z-Skoru", "Brüt Kar Marjı (%)", "Özsermaye / Aktif",
+    "Kısa Vade Borç / Aktif", "ROCE Oranı", "L Model Skoru", "Net Kar Marjı",
+    "Dönen Varlıklar Devir Hızı", "Dönen Varlıklar / Aktif (%)",
+    "Esas Faaliyet Karı / Kısa Vadeli Borç", "Kısa Vade Borç / Özsermaye",
+    "Kısa Vade Borç / Toplam Borç", "Finansman Gider / Net Satış",
+    "Faaliyet Kar Marjı", "Aktif Karlılık (%)", "Stok Devir Hızı",
+    "Özsermaye / Maddi Duran Varlıklar",
+]
+
+DISPLAY_FEATS = ["Altman Z-Skoru", "L Model Skoru", "Zmijewski Skoru"]
+
+# -----------------------------------------------------------------------------
+# LOAD FHE MODEL (compile if necessary)
+# -----------------------------------------------------------------------------
+FHE_MODEL: FHEModel = joblib.load(FHE_MODEL_PATH)
+LABEL_ENCODER = joblib.load(ENCODER_PATH)
+
+if not getattr(FHE_MODEL, "is_compiled", False):
+    FHE_MODEL.compile(np.zeros((1, len(SELECTED_FEATS)), dtype=np.float32))
+
+# -----------------------------------------------------------------------------
+# FINANCIAL‑RATIO UTILITIES
+# -----------------------------------------------------------------------------
+
+def safe_div(num: pd.Series, denom: pd.Series) -> pd.Series:
+    """Safe division that returns 0 when denominator is 0."""
+    denom_replaced = denom.replace(0, np.nan)
+    return (num / denom_replaced).fillna(0)
+
+
+def compute_ratios(df: pd.DataFrame) -> pd.DataFrame:
+    """Compute the 24 ratios needed for the FHE model and add them to *df*."""
+
+    # Totals
+    total_assets = df["Dönen Varlıklar"] + df["Duran Varlıklar"]
+    total_liab   = df["Kısa Vadeli Yükümlülükler"] + df["Uzun Vadeli Yükümlülükler"]
+
+    # 1‑3 Likidite
+    df["Cari Oran"]       = safe_div(df["Dönen Varlıklar"], df["Kısa Vadeli Yükümlülükler"])
+    df["Asit Test Oranı"] = safe_div(df["Dönen Varlıklar"] - df["Stoklar"] - df["Diğer Dönen Varlıklar"],
+                                      df["Kısa Vadeli Yükümlülükler"])
+    df["Nakit Oranı"]     = safe_div(df["Nakit ve Nakit Benzerleri"], df["Kısa Vadeli Yükümlülükler"])
+
+    # 4‑7 Marj & kârlılık
+    df["Faaliyet Kar Marjı"] = safe_div(df["FAALİYET KARI (ZARARI)"]*100, df["Satış Gelirleri"])
+    df["Brüt Kar Marjı (%)"] = safe_div(df["Ticari Faaliyetlerden Brüt Kar (Zarar)"]*100,
+                                         df["Satış Gelirleri"])
+    df["Net Kar Marjı"]      = safe_div(df["Dönem Net Kar/Zararı"]*100, df["Satış Gelirleri"])
+    df["Aktif Karlılık (%)"] = safe_div(df["Dönem Net Kar/Zararı"]*100, total_assets)
+
+    # 8‑10 Verimlilik
+    df["Aktif Devir Hızı"]           = safe_div(df["Satış Gelirleri"], total_assets)
+    df["Dönen Varlıklar Devir Hızı"] = safe_div(df["Dönen Varlıklar"], df["Satış Gelirleri"])
+    df["Stok Devir Hızı"]            = -safe_div(df["Satışların Maliyeti (-)"], df["Stoklar"])
+
+    # 11‑15 Borç & kaldıraç
+    df["Finansal Kaldıraç"] = safe_div(total_liab, total_assets)*100
+    df["Kısa Vade Borç / Aktif"]      = safe_div(df["Kısa Vadeli Yükümlülükler"], total_assets)
+    df["Kısa Vade Borç / Özsermaye"] = safe_div(df["Kısa Vadeli Yükümlülükler"], df["Özkaynaklar"])
+    df["Kısa Vade Borç / Toplam Borç"] = safe_div(df["Kısa Vadeli Yükümlülükler"], total_liab)
+    df["Özsermaye / Aktif"]           = safe_div(df["Özkaynaklar"], total_assets)
+
+    # 16‑18 Diğer oranlar
+    df["Duran Varlıklar / Aktif "]      = safe_div(df["Duran Varlıklar"]*100, total_assets)
+    df["Dönen Varlıklar / Aktif (%)"]   = safe_div(df["Dönen Varlıklar"]*100, total_assets)
+    df["Özsermaye / Maddi Duran Varlıklar"] = safe_div(df["Özkaynaklar"], df["Maddi Duran Varlıklar"])
+
+    # 19‑20 Finansman
+    df["Finansman Gider / Net Satış"] = safe_div(df["Finansman Giderleri"], df["Satış Gelirleri"])
+    df["Esas Faaliyet Karı / Kısa Vadeli Borç"] = safe_div(df["Net Faaliyet Kar/Zararı"],
+                                                            df["Kısa Vadeli Yükümlülükler"])
+
+    # ROCE
+    df["ROCE Oranı"] = safe_div(df["FAALİYET KARI (ZARARI)"]*100, total_assets)
+
+    # ----- Distress & lifetime scores ---------------------------------------------------------
+    # Altman Z
+    X1 = safe_div(df["Dönen Varlıklar"] - df["Kısa Vadeli Yükümlülükler"], total_assets)
+    X2 = safe_div(df["Geçmiş Yıllar Kar/Zararları"] + df["Dönem Net Kar/Zararı"], total_assets)
+    X3 = safe_div(df["SÜRDÜRÜLEN FAALİYETLER VERGİ ÖNCESİ KARI (ZARARI)"], total_assets)
+    X4 = safe_div(df["Özkaynaklar"], total_liab)
+    X5 = safe_div(df["Satış Gelirleri"], total_assets)
+
+    df["Altman Z-Skoru"] = 1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + X5
+
+    # Zmijewski
+    Z1 = safe_div(df["Dönem Net Kar/Zararı"], total_assets)
+    Z2 = safe_div(total_liab, total_assets)
+    Z3 = safe_div(df["Dönen Varlıklar"], df["Kısa Vadeli Yükümlülükler"])
+    df["Zmijewski Skoru"] = -4.3 - 4.5*Z1 + 5.7*Z2 - 0.004*Z3
+
+    # L‑Model
+    L6 = safe_div(safe_div(df["Nakit ve Nakit Benzerleri"], df["Kısa Vadeli Yükümlülükler"]), total_liab)
+    L7 = safe_div(total_liab, total_assets)
+    df["L Model Skoru"] = -0.113*X1 + 0.238*X2 - 0.052*X3 - 0.051*X4 + 0.011*X5 + 0.729*L6 - 0.639*L7
+
+    return df
+
+# -----------------------------------------------------------------------------
+# BASE64 HELPERS
+# -----------------------------------------------------------------------------
+
+def _b64_dump(obj: Any) -> str:
+    buff = io.BytesIO()
+    joblib.dump(obj, buff)
+    buff.seek(0)
+    return base64.b64encode(buff.read()).decode()
+
+
+def _b64_load(txt: str) -> Any:
+    return joblib.load(io.BytesIO(base64.b64decode(txt.encode())))
+
+# -----------------------------------------------------------------------------
+# SESSION STATE
+# -----------------------------------------------------------------------------
+
+encrypted_pred_state = gr.State(value=None)
+
+# -----------------------------------------------------------------------------
+# CALLBACKS
+# -----------------------------------------------------------------------------
+
+def encrypt_and_predict(excel_file: gr.File):
+    """Encrypt features and run FHE inference; return secret key to the user."""
+
+    if excel_file is None:
+        raise gr.Error("Lütfen analiz edilecek Excel dosyasını yükleyin.")
+
+    p = gr.Progress(track_tqdm=False)
+    p(0.05, "Excel okunuyor…")
+
+    # ---- 1. Read + pivot ----------------------------------------------------
+    raw_vert = pd.read_excel(excel_file.name, header=None, sheet_name=0)
+    raw_df = (
+        raw_vert.set_index(0).T.rename_axis(None).reset_index(drop=True)
+    )
+    raw_df.columns = raw_df.columns.str.strip()
+    raw_df = raw_df.loc[:, ~raw_df.columns.duplicated()]
+    raw_df.rename(columns={"Desc": "Periyot"}, inplace=True)
+    raw_df["Periyot"] = raw_df["Periyot"].astype(str).str.replace(r"\s+", " ", regex=True).str.strip()
+
+    # ---- 2. Ratios ----------------------------------------------------------
+    p(0.30, "Oranlar hesaplanıyor…")
+    enriched = compute_ratios(raw_df.copy())
+    model_input = enriched[SELECTED_FEATS].copy().dropna()
+    if model_input.empty:
+        raise gr.Error("Hiç analiz edilebilir satır kalmadı – oran hesaplanamadı.")
+
+    # ---- 3. Keygen ----------------------------------------------------------
+    p(0.55, "Anahtarlar oluşturuluyor…")
+    public_key, secret_key = FHE_MODEL.keygen()
+
+    # ---- 4. Encrypted inference --------------------------------------------
+    p(0.75, "Şifreli tahmin yapılıyor…")
+    x_enc = FHE_MODEL.encrypt(model_input.values.astype(np.float32), public_key)
+    y_enc = FHE_MODEL.run(x_enc)
+
+    encrypted_pred_state.value = y_enc
+
+    # ---- 5. Small bar chart -------------------------------------------------
+    ratio_row = model_input.iloc[0][DISPLAY_FEATS]
+    max_abs = ratio_row.abs().max() or 1
+    bars_html = "<table style='width:100%;font-size:0.85rem'>"
+    for k, v in ratio_row.items():
+        pct = abs(v)/max_abs*100
+        bars_html += (
+            f"<tr><td style='padding:2px 6px;white-space:nowrap'>{k}</td>"
+            f"<td style='width:100%'><div style='background:#e5e5e5;height:8px;border-radius:4px'>"
+            f"<div style='width:{pct:.1f}%;height:8px;background:#3b82f6;border-radius:4px'></div>"
+            f"</div></td><td style='padding-left:6px'>{v:.2f}</td></tr>"
+        )
+    bars_html += "</table>"
+
+    secret_key_b64 = _b64_dump(secret_key)
+
+    return (
+        gr.update(value="### Ham Veri", visible=True),
+        gr.update(value=raw_df.head(), visible=True),
+        gr.update(value="### Finansal Oranlar", visible=True),
+        gr.update(value=bars_html, visible=True),
+        gr.update(value="### Tahmin (Şifreli)", visible=True),
+        gr.update(value="Şifreli tahmin hazır. Aşağıdaki gizli anahtarı kaydedin ve 'Çöz' düğmesine bastığınızda tahmin açığa çıkacaktır.", visible=True),
+        gr.update(value=secret_key_b64, visible=True),
+    )
+
+
+def decrypt_prediction(secret_key_b64: str):
+    """Decrypt the FHE ciphertext using the user‑supplied secret key."""
+
+    if encrypted_pred_state.value is None:
+        raise gr.Error("Önce 'Şifrele & Tahmin Et' adımını tamamlayın.")
+    if not secret_key_b64:
+        raise gr.Error("Gizli anahtarı girin.")
+
+    secret_key = _b64_load(secret_key_b64)
+    y_enc = encrypted_pred_state.value
+    y_pred = FHE_MODEL.decrypt(y_enc, secret_key)
+    labels = LABEL_ENCODER.inverse_transform(np.array(y_pred, dtype=int))
+
+    result_df = pd.DataFrame({"Tahmin Görüş Tipi": labels})
+
+    return (
+        gr.update(value="### Tahmin Sonuçları", visible=True),
+        gr.update(value=result_df, visible=True),
+    )
+
+# -----------------------------------------------------------------------------
+# GRADIO UI
+# -----------------------------------------------------------------------------
+with gr.Blocks(theme=gr.themes.Default(primary_hue="blue")) as demo:
+    gr.Markdown("# Denetçi Görüşü Tahmini – FHE (24 Oran)")
+
+    with gr.Row():
+        file_input  = gr.File(file_types=[".xlsx", ".xls", ".xlsm"], label="Excel Yükleyin")
+        predict_btn = gr.Button("Şifrele & Tahmin Et", variant="primary")
+
+    gr.Examples(EXAMPLE_XLSX, inputs=file_input, label="Örnek Dosyayı Deneyin", cache_examples=False)
+
+    secret_key_output = gr.Textbox(label="Gizli Anahtar (kopyalayın)", visible=False, interactive=False)
+    decrypt_key_input = gr.Textbox(label="Gizli Anahtarı Yapıştırın ve Çözün", visible=False)
+    decrypt_btn       = gr.Button("Çöz", variant="secondary", visible=False)
+
+    ham_title   = gr.Markdown(visible=False)
+    raw_table   = gr.Dataframe(visible=False, wrap=True, show_label=False)
+
+    ratio_title = gr.Markdown(visible=False)
+    ratio_html  = gr.HTML(visible=False)
+
+    enc_title   = gr.Markdown(visible=False)
+    enc_msg     = gr.Markdown(visible=False)
+
+    pred_title  = gr.Markdown(visible=False)
+    pred_table  = gr.Dataframe(visible=False, wrap=True, show_label=False)
+
+    predict_btn.click(
+        encrypt_and_predict,
+        inputs=[file_input],
+        outputs=[ham_title, raw_table, ratio_title, ratio_html, enc_title, enc_msg, secret_key_output]
+    ).then(lambda x: gr.update(visible=True), None, decrypt_key_input
+    ).then(lambda x: gr.update(visible=True), None, decrypt_btn)
+
+    decrypt_btn.click(
+        decrypt_prediction,
+        inputs=[decrypt_key