Déploiement automatique depuis GitLab CI - 2026-02-27 13:58:03

api.py

@@ -94,7 +94,7 @@ def upload_to_hf(local_path: str, repo_path: str):
         logger.warning(f"Upload HF échoué: {e}")
 
 
-def save_and_upload_logs(input_df: pd.DataFrame, predictions: list):
+def save_and_upload_csv_logs(input_df: pd.DataFrame, predictions: list):
     """
     Enregistre les données d'entrée/sortie et les logs, puis les uploade vers HF.
 
@@ -122,10 +122,9 @@ def save_and_upload_logs(input_df: pd.DataFrame, predictions: list):
         )
         # Log d'information sur le nombre de lignes écrites
         logger.info(f"Données enregistrées pour drift detection: {len(log_df)} lignes")
-
         # Upload vers HF pour persistance permanente
         upload_to_hf(DRIFT_LOG_PATH, "data_io.csv")
-        upload_to_hf(LOG_FILE_PATH, "api_log.jsonl")
+
     except Exception as e:
         # En cas d'erreur, on loggue un warning mais on ne remonte pas d'exception
         logger.warning(f"Impossible d'enregistrer les données pour drift: {str(e)}")
@@ -363,11 +362,12 @@ def predict(input_data: PredictionInput):
         X.insert(0, 'SK_ID_CURR', 0)
 
         # Enregistrer les données pour la détection de drift (asynchrone côté storage)
-        save_and_upload_logs(X, [prediction])
+        save_and_upload_csv_logs(X, [prediction])
 
         execution_time = time.time() - start_time
         logger.info(f"Prédiction effectuée avec succès: {prediction} (proba={proba_default:.4f}, seuil={THRESHOLD}, temps={execution_time:.4f}s)")
-
+        # Upload des logs vers HF pour persistance permanente
+        upload_to_hf(LOG_FILE_PATH, "api_log.jsonl")
         # Retourner une réponse conforme au modèle de sortie Pydantic
         return PredictionOutput(
             prediction=prediction,
@@ -379,6 +379,8 @@ def predict(input_data: PredictionInput):
         # En cas d'erreur lors du traitement, log et remonter une HTTPException
         execution_time = time.time() - start_time
         logger.error(f"Erreur lors de la prédiction: {str(e)} (temps d'exécution: {execution_time:.4f}s)")
+        # Upload des logs vers HF même en cas d'erreur pour garder une trace de l'incident
+        upload_to_hf(LOG_FILE_PATH, "api_log.jsonl")
         raise HTTPException(status_code=400, detail=str(e))
 
 
@@ -442,11 +444,12 @@ async def predict_from_file(file: UploadFile = File(...)):
         X.insert(0, 'SK_ID_CURR', df.index)
 
         # Enregistrer les données pour la détection de drift
-        save_and_upload_logs(X, predictions)
+        save_and_upload_csv_logs(X, predictions)
 
         execution_time = time.time() - start_time
         logger.info(f"Prédictions effectuées avec succès: {len(predictions)} résultats (temps d'exécution: {execution_time:.4f}s)")
-
+        # Upload des logs vers HF pour persistance permanente
+        upload_to_hf(LOG_FILE_PATH, "api_log.jsonl")
         # Retourner un dictionnaire simple contenant les résultats
         return {
             "predictions": predictions,
@@ -455,6 +458,7 @@ async def predict_from_file(file: UploadFile = File(...)):
             "count": len(predictions),
             "status": "success"
         }
+
     except HTTPException:
         # Remonter les HTTPException telles quelles (déjà explicites)
         raise
@@ -462,6 +466,8 @@ async def predict_from_file(file: UploadFile = File(...)):
         # Tout autre erreur -> log et lever une HTTPException générique
         execution_time = time.time() - start_time
         logger.error(f"Erreur lors du traitement du fichier: {str(e)} (temps d'exécution: {execution_time:.4f}s)")
+        # Upload des logs vers HF même en cas d'erreur pour garder une trace de l'incident
+        upload_to_hf(LOG_FILE_PATH, "api_log.jsonl")
         raise HTTPException(status_code=400, detail=str(e))