Gradio demo for the breakdown-risk SetFit classifier

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

README.md

@@ -1,13 +1,51 @@
 ---
-title: Breakdown Risk Demo
-emoji: 🏢
-colorFrom: green
-colorTo: yellow
+title: Risque d'immobilisation
+emoji: 🔧
+colorFrom: red
+colorTo: gray
 sdk: gradio
 sdk_version: 6.20.0
-python_version: '3.13'
 app_file: app.py
+python_version: "3.12"
+short_description: Risque de panne depuis les tours de parole
 pinned: false
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Risque d'immobilisation
+
+Démo du classifieur de risque de panne : à partir des **tours de parole de
+l'appelant** d'un appel entrant, le modèle répond
+
+- `risk` — le véhicule est probablement immobilisé, l'appel demande un dépannage
+  ou un créneau urgent ;
+- `no_risk` — le client peut rouler, un rendez-vous normal suffit.
+
+## Le modèle
+
+[SetFit](https://github.com/huggingface/setfit) : l'encodeur de phrases
+`sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2` affiné par
+apprentissage contrastif, plus une régression logistique sur les embeddings.
+Publié par `train.py` dans
+[`bee2link/breakdown-risk-paraphrase-multilingual-MiniLM-L12-v2`](https://huggingface.co/bee2link/breakdown-risk-paraphrase-multilingual-MiniLM-L12-v2),
+entraîné sur [`bee2link/breakdown-risk`](https://huggingface.co/datasets/bee2link/breakdown-risk).
+
+45/46 sur le split de test. Les exemples de la démo viennent de ce même split :
+ce sont des tours que le modèle n'a jamais vus à l'entraînement.
+
+## La fenêtre de trois tours
+
+Le modèle ne lit que les **trois derniers tours de l'appelant**, et la démo
+reproduit ce découpage : un tour par ligne, les plus anciens sont affichés mais
+ignorés.
+
+Le filtrage passe avant le découpage. Prendre les trois derniers messages d'un
+dialogue compterait les réponses de l'agent : dans un échange alterné il ne
+resterait que deux tours de l'appelant, et après deux questions de relance la
+plainte elle-même sortirait de la fenêtre — le classifieur ne verrait plus que
+« non / non ».
+
+## Accès au modèle
+
+Le dépôt du modèle est privé. Le Space le lit via un secret `HF_TOKEN`
+(Settings → Secrets), qui doit avoir un accès en lecture à ce dépôt. Les secrets
+ne sont pas visibles par les visiteurs du Space.

app.py

@@ -0,0 +1,138 @@
+"""Breakdown-risk demo: does the caller's car still move?
+
+The model is the SetFit classifier `train.py` pushed -- a fine-tuned sentence
+encoder plus a logistic head -- and it decides between `risk` (the vehicle is
+probably immobilised, so the call needs a tow or an urgent slot) and `no_risk`
+(the customer can still drive, so a normal appointment will do).
+
+It reads the caller's turns and nothing else. In the live pipeline the agent's
+own replies are filtered out before the last three turns are taken, and this
+demo keeps that: one turn per line, only the last three reach the model. Slicing
+before filtering would spend the window on the agent's follow-up questions and
+push the complaint itself out of it.
+"""
+
+import json
+import os
+import time
+from pathlib import Path
+
+import gradio as gr
+import numpy as np
+from setfit import SetFitModel
+
+MODEL_REPO = "bee2link/breakdown-risk-paraphrase-multilingual-MiniLM-L12-v2"
+DATASET_REPO = "bee2link/breakdown-risk"
+WINDOW = 3  # caller turns the classifier sees, matching `caller_turns`
+
+# The label the model returns -> what to call it on screen.
+DISPLAY = {
+    "risk": "Risque de panne",
+    "no_risk": "Pas de risque",
+}
+
+# The model repo is private, so the Space needs a token to read it. Set as a
+# Space secret, which is an environment variable here and is not exposed to
+# visitors.
+model = SetFitModel.from_pretrained(MODEL_REPO, token=os.environ.get("HF_TOKEN"))
+LABELS: list[str] = list(model.labels)
+
+EXAMPLES = json.loads(Path("examples.json").read_text(encoding="utf-8"))
+
+
+def window(transcript: str) -> str:
+    """The last ``WINDOW`` non-empty lines: exactly what the tokenizer is handed."""
+    lines = [line.strip() for line in transcript.split("\n") if line.strip()]
+    return "\n".join(lines[-WINDOW:])
+
+
+def classify(transcript: str) -> tuple[dict[str, float], str, str]:
+    """Score a caller's turns for breakdown risk.
+
+    Args:
+        transcript: What the caller said, one turn per line. Only the last three
+            lines are classified; earlier ones are shown but ignored, the same
+            way the live pipeline windows a conversation.
+
+    Returns:
+        The probability per class, the text actually sent to the model, and a
+        one-line note on how long it took.
+    """
+    text = window(transcript)
+    if not text:
+        return {}, "", "*Saisissez au moins un tour de parole.*"
+
+    started = time.perf_counter()
+    probabilities = np.asarray(model.predict_proba([text])).reshape(-1)
+    elapsed = (time.perf_counter() - started) * 1000
+
+    scores = {DISPLAY.get(name, name): float(p) for name, p in zip(LABELS, probabilities)}
+    top = LABELS[int(probabilities.argmax())]
+    dropped = len([line for line in transcript.split("\n") if line.strip()]) - len(text.split("\n"))
+    note = f"`{top}` en {elapsed:.0f} ms"
+    if dropped > 0:
+        note += f" · {dropped} tour(s) plus ancien(s) hors fenêtre"
+    return scores, text, note
+
+
+with gr.Blocks(title="Risque d'immobilisation") as demo:
+    gr.Markdown(
+        f"""
+        # Risque d'immobilisation
+
+        Classe les **tours de parole de l'appelant** d'un appel entrant en
+        `risk` — le véhicule est probablement immobilisé, il faut un dépannage
+        ou un créneau urgent — ou `no_risk` — le client peut rouler, un
+        rendez-vous normal suffit.
+
+        <sub>SetFit (encodeur `paraphrase-multilingual-MiniLM-L12-v2` + tête
+        logistique) · entraîné sur [`{DATASET_REPO}`](https://huggingface.co/datasets/{DATASET_REPO})
+        · 45/46 sur le split de test · le modèle ne lit que les {WINDOW} derniers
+        tours</sub>
+        """
+    )
+
+    with gr.Row():
+        with gr.Column(scale=3):
+            transcript = gr.Textbox(
+                label="Tours de parole de l'appelant",
+                info=f"Un tour par ligne. Seuls les {WINDOW} derniers sont classés.",
+                placeholder="Oui bonjour.\nMa voiture ne démarre plus depuis ce matin.",
+                lines=7,
+                max_lines=14,
+            )
+            run = gr.Button("Classer", variant="primary")
+
+        with gr.Column(scale=2):
+            prediction = gr.Label(label="Prédiction", num_top_classes=2)
+            sent = gr.Textbox(
+                label="Ce que le modèle lit",
+                info=f"Les {WINDOW} derniers tours, tels qu'ils sont tokenisés.",
+                lines=3,
+                interactive=False,
+                buttons=["copy"],
+            )
+            timing = gr.Markdown()
+
+    gr.Examples(
+        label="Exemples du split de test (jamais vus à l'entraînement)",
+        examples=[[row["text"]] for row in EXAMPLES],
+        example_labels=[f"{DISPLAY[row['gold']]} — {row['id']}" for row in EXAMPLES],
+        inputs=[transcript],
+        outputs=[prediction, sent, timing],
+        fn=classify,
+        cache_examples=True,
+        cache_mode="lazy",
+    )
+
+    gr.on(
+        triggers=[run.click, transcript.submit],
+        fn=classify,
+        inputs=[transcript],
+        outputs=[prediction, sent, timing],
+        api_name="classify",
+    )
+
+
+if __name__ == "__main__":
+    demo.launch(mcp_server=True)

examples.json

@@ -0,0 +1,62 @@
+[
+  {
+    "id": "wont_start_to_garage",
+    "text": "J'ai un problème avec ma voiture qui ne démarre pas, j'aurais souhaité l'emmener au garage aujourd'hui.",
+    "gold": "risk",
+    "can_drive": "no"
+  },
+  {
+    "id": "suspension_noise",
+    "text": "J'ai un bruit aux amortisseurs, il faudrait éventuellement changer les triangles avant.",
+    "gold": "no_risk",
+    "can_drive": "unknown"
+  },
+  {
+    "id": "wont_start_needs_tow",
+    "text": "J'ai une Mercedes de 2014, elle ne démarre pas et mon assurance m'a proposé un dépanneur.",
+    "gold": "risk",
+    "can_drive": "no"
+  },
+  {
+    "id": "reversing_camera_fault",
+    "text": "Défaut de caméra de recul.",
+    "gold": "no_risk",
+    "can_drive": "yes"
+  },
+  {
+    "id": "stalls_power_loss",
+    "text": "Quand je l'allume, mon véhicule au bout d'une ou deux minutes coupe tout seul, et il y a une perte de puissance.",
+    "gold": "risk",
+    "can_drive": "no"
+  },
+  {
+    "id": "camera_fault",
+    "text": "Bonjour.\nProblème de caméra.",
+    "gold": "no_risk",
+    "can_drive": "yes"
+  },
+  {
+    "id": "coolant_light_power_loss",
+    "text": "Un problème dans le tableau de bord, le voyant de refroidissement liquide s'allume et la voiture n'a plus de puissance.",
+    "gold": "risk",
+    "can_drive": "no"
+  },
+  {
+    "id": "camera_cover_stuck",
+    "text": "Le clapet de la caméra arrière ne se ferme plus, je n'ai plus de caméra et le clapet reste ouvert.",
+    "gold": "no_risk",
+    "can_drive": "yes"
+  },
+  {
+    "id": "water_light_power_loss",
+    "text": "Un voyant d'eau s'allume dans le compteur et la voiture n'a plus de puissance.",
+    "gold": "risk",
+    "can_drive": "no"
+  },
+  {
+    "id": "driver_window_stuck",
+    "text": "Bonjour.\nMa vitre côté conducteur : quand j'appuie sur le lève-vitre, ça ne remonte pas.",
+    "gold": "no_risk",
+    "can_drive": "yes"
+  }
+]

requirements.txt

@@ -0,0 +1,6 @@
+# CPU-only torch: the local version tag (+cpu) sorts above the PyPI wheel, so
+# pip takes it from here and the build skips ~2 GB of CUDA the Space cannot use.
+--extra-index-url https://download.pytorch.org/whl/cpu
+torch
+setfit>=1.1.0
+numpy