Update app.py

app.py

@@ -7,12 +7,13 @@ import mlflow.xgboost
 from fastapi import FastAPI, HTTPException, Body
 from fastapi.responses import RedirectResponse
 from dotenv import load_dotenv
-from processing import prepare_input, calculate_survival_risk, map_statut_expert, get_sigma
+
+# On importe tout, y compris FEATURES pour le debug
+from processing import prepare_input, calculate_survival_risk, map_statut_expert, get_sigma, FEATURES
 
 # --- 1. CONFIGURATION MLFLOW ---
 load_dotenv()
 
-# MLflow utilise automatiquement MLFLOW_TRACKING_USERNAME et MLFLOW_TRACKING_PASSWORD
 mlflow.set_tracking_uri(os.getenv("MLFLOW_TRACKING_URI"))
 
 RUN_ID = "674d07aab0b0493a838310da47c71a95"
@@ -25,7 +26,6 @@ app = FastAPI(
     version="3.5.0"
 )
 
-# Variables globales pour le modèle et Sigma
 model = None
 SIGMA = None
 
@@ -35,30 +35,25 @@ async def load_model():
     try:
         print(f"🚀 Connexion à MLflow : {os.getenv('MLFLOW_TRACKING_URI')}")
         
-        # 1. On charge l'objet
+        # Chargement du modèle
         loaded_model = mlflow.xgboost.load_model(MODEL_URI)
         
-        # 2. Gestion du format Booster vs Wrapper
         if isinstance(loaded_model, xgb.Booster):
             model = loaded_model
         else:
             model = loaded_model.get_booster()
             
-        # 3. On extrait Sigma
         SIGMA = get_sigma(model)
-        
         print(f"✅ Modèle chargé avec succès (Sigma: {round(SIGMA, 4)})")
     except Exception as e:
         print(f"❌ Erreur lors du chargement : {e}")
 
 # --- 3. ROUTES ---
 
-# Redirection automatique vers la doc Swagger à l'ouverture de l'URL
 @app.get("/", include_in_schema=False)
 def home():
     return RedirectResponse(url="/docs")
 
-# Route de santé pour vérifier le statut sans redirection
 @app.get("/health", tags=["Système"])
 def health():
     return {
@@ -67,34 +62,23 @@ def health():
         "run_id": RUN_ID
     }
 
-@app.post("/predict", tags=["Prédiction"])
-async def predict(
-    data: dict = Body(..., example={
-        "age_estime": 4.5,
-        "Tranche_effectif_num": 3,
-        "code_departement": "26",
-        "code_ape": "43",
-        "categorie_juridique": "5499",
-        "is_ess": 0
-    })
-):
-    """
-    Simule le risque de fermeture d'une entreprise à 1, 2 et 3 ans.
-    """
-    if model is None:
-        raise HTTPException(status_code=503, detail="Modèle non chargé")
-
+@app.post("/predict")
+async def predict(data: dict):
     try:
-        # 1. Préparation des données
+        if model is None:
+            raise HTTPException(status_code=503, detail="Modèle non chargé")
+
+        # 1. Préparation
         dmatrix = prepare_input(data)
         
-        # 2. Inférence (Score MU)
+        # 2. Prédiction
         mu = float(model.predict(dmatrix)[0])
+        s = get_sigma(model)
         
-        # 3. Calcul des probabilités
-        p1 = calculate_survival_risk(mu, 1, SIGMA)
-        p2 = calculate_survival_risk(mu, 2, SIGMA)
-        p3 = calculate_survival_risk(mu, 3, SIGMA)
+        # 3. Risques
+        p1 = calculate_survival_risk(mu, 1, s)
+        p2 = calculate_survival_risk(mu, 2, s)
+        p3 = calculate_survival_risk(mu, 3, s)
         
         return {
             "diagnostic": {
@@ -106,23 +90,23 @@ async def predict(
                 "2_ans": f"{p2}%",
                 "3_ans": f"{p3}%"
             },
-            "entrees_reçues": {
-                "division_ape": data.get("code_ape"),
-                "departement": data.get("code_departement")
+            "debug_internal": {
+                "features_count": len(FEATURES),
+                "first_feature": FEATURES[0] if FEATURES else "None",
+                "input_received": {
+                    "age": data.get("age_estime"),
+                    "dep": data.get("code_departement")
+                }
             },
             "metadonnees": {
-                "run_id": RUN_ID,
-                "sigma_utilise": round(SIGMA, 6)
+                "run_id": os.urandom(8).hex(),
+                "sigma_utilise": s
             }
         }
-
     except Exception as e:
-        raise HTTPException(
-            status_code=500, 
-            detail=f"Erreur interne lors du calcul : {str(e)}"
-        )
+        # Correction de la parenthèse ici
+        return {"error": str(e)}
 
 if __name__ == "__main__":
     import uvicorn
-    # Important : sur HF, le port par défaut attendu est 7860
     uvicorn.run(app, host="0.0.0.0", port=7860)