maj app.py

app.py

@@ -5,6 +5,7 @@ import xgboost as xgb
 import pandas as pd
 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
 
@@ -28,7 +29,6 @@ app = FastAPI(
 model = None
 SIGMA = None
 
-# Dans ton bloc startup, ajoute ces prints pour débugger :
 @app.on_event("startup")
 async def load_model():
     global model, SIGMA
@@ -38,9 +38,7 @@ async def load_model():
         # 1. On charge l'objet
         loaded_model = mlflow.xgboost.load_model(MODEL_URI)
         
-        # 2. CORRECTION ICI : 
-        # Si c'est déjà un Booster, on l'utilise directement.
-        # Si c'est un wrapper XGBModel, on appelle get_booster().
+        # 2. Gestion du format Booster vs Wrapper
         if isinstance(loaded_model, xgb.Booster):
             model = loaded_model
         else:
@@ -55,15 +53,21 @@ async def load_model():
 
 # --- 3. ROUTES ---
 
-@app.get("/")
+# 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 {
         "status": "online",
-        "model_source": "MLflow Remote",
+        "model_loaded": model is not None,
         "run_id": RUN_ID
     }
 
-@app.post("/predict")
+@app.post("/predict", tags=["Prédiction"])
 async def predict(
     data: dict = Body(..., example={
         "age_estime": 4.5,
@@ -75,25 +79,19 @@ async def predict(
     })
 ):
     """
-    Simule le risque de fermeture d'une entreprise.
-    
-    Exemple fourni :
-    - Age : 4.5 ans
-    - Effectif : Tranche 3
-    - Localisation : Drôme (26)
-    - Secteur : Construction (43)
+    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")
 
     try:
-        # 1. Préparation des données (Mapping APE 2 chiffres inclus)
+        # 1. Préparation des données
         dmatrix = prepare_input(data)
         
         # 2. Inférence (Score MU)
         mu = float(model.predict(dmatrix)[0])
         
-        # 3. Calcul des probabilités de fermeture aux horizons 1, 2 et 3 ans
+        # 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)
@@ -126,4 +124,5 @@ async def predict(
 
 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)