app.py

from fastapi import FastAPI
from pydantic import BaseModel
import joblib
from huggingface_hub import hf_hub_download
import pandas # Gerekli
import os
from typing import List
import numpy as np # Olasılıklar için eklendi

# --- AYARLAR (v2) ---
# Modelin indirileceği YENİ v2 deposu
HF_USERNAME = "Artupak"
REPO_NAME = "checkmate-rf-classifier-v2" # <-- GÜNCELLENDİ
MODEL_FILE = "checkmate_rf_model.joblib"
# --- Ayarlar Bitti ---

print("API v2 Başlatılıyor...")
model = None

def load_model():
    global model
    try:
        print(f"{HF_USERNAME}/{REPO_NAME} deposundan {MODEL_FILE} indiriliyor...")
        model_path = hf_hub_download(
            repo_id=f"{HF_USERNAME}/{REPO_NAME}",
            filename=MODEL_FILE
        )
        model = joblib.load(model_path)
        print("Model v2 başarıyla yüklendi.")
    except Exception as e:
        print(f"HATA: Model yüklenemedi: {e}")

app = FastAPI()

@app.on_event("startup")
async def startup_event():
    load_model()

@app.get("/")
def read_root():
    return {"status": "CheckMate API (v2 - Akıllı Model) Aktif", "model_loaded": model is not None}

# GİRİŞ MODELİ (messages listesi bekler)
class PredictRequest(BaseModel):
    messages: List[str] 

# ÇIKIŞ MODELİ (İstenen format)
class PredictResponse(BaseModel):
    risk_type: str
    message: str

# n8n'in çağıracağı ana tahmin endpoint'i
@app.post("/predict", response_model=PredictResponse) # response_model ile çıktı formatı garanti edildi
def predict(request: PredictRequest):
    if model is None:
        # Hata durumunda istenen formatı döndür
        return PredictResponse(
            risk_type="ERROR",
            message="Model yüklenemedi. Lütfen FastAPI loglarını kontrol edin."
        )

    if not request.messages:
        # Hata durumunda istenen formatı döndür
        # Hata mesajı güncellendi: Kullanıcıya doğru format hatırlatılıyor
        return PredictResponse(
            risk_type="ERROR",
            message="Boş 'messages' listesi alındı. Lütfen JSON gövdesini {'messages': ['metin']} formatında gönderin."
        )

    # V2, liste içinden ilk mesajı alır
    input_text = [request.messages[0]] 

    try:
        # 1. Tahmin ve Güven Skorunu Al
        prediction_label = model.predict(input_text)[0] # 0 veya 1
        probabilities = model.predict_proba(input_text)[0]
        
        # 2. Risk Tipini Belirle
        # Varsayım: 1 = DOĞRU / RİSK YOK (NONE); 0 = YALAN / DİSİNFORMASYON
        if prediction_label == 1: 
            risk_type = "NONE"
            confidence_score = probabilities[1] 
            message = f"Metin, v2 modeli tarafından %{confidence_score * 100:.2f} güvenle herhangi bir risk taşımayan (DOĞRU) bilgi olarak sınıflandırılmıştır."
            
        elif prediction_label == 0:
            risk_type = "DISINFORMATION"
            confidence_score = probabilities[0] 
            message = f"Metin, v2 modeli tarafından %{confidence_score * 100:.2f} güvenle DİSİNFORMASYON riski taşıyan (YALAN) bilgi olarak sınıflandırılmıştır."
            
        else:
            risk_type = "ERROR"
            message = "Model beklenmeyen bir etiket döndürdü."

        # 4. İstenen PredictResponse Formatını Döndür
        return PredictResponse(
            risk_type=risk_type,
            message=message
        )

    except Exception as e:
        # Tahmin sırasında bir hata oluşursa istenen hata formatını döndür
        return PredictResponse(
            risk_type="ERROR",
            message=f"Tahmin sırasında bir hata oluştu: {str(e)}"
        )