Upload app.py

app.py

@@ -8,12 +8,11 @@ from fastapi import FastAPI, HTTPException, Body
 from fastapi.responses import RedirectResponse
 from dotenv import load_dotenv
 
-# On importe tout, y compris FEATURES pour le debug
+# On importe les fonctions et la constante FEATURES depuis processing
 from processing import prepare_input, calculate_survival_risk, map_statut_expert, get_sigma, FEATURES
 
 # --- 1. CONFIGURATION MLFLOW ---
 load_dotenv()
-
 mlflow.set_tracking_uri(os.getenv("MLFLOW_TRACKING_URI"))
 
 RUN_ID = "674d07aab0b0493a838310da47c71a95"
@@ -21,11 +20,12 @@ MODEL_URI = f"runs:/{RUN_ID}/model"
 
 # --- 2. INITIALISATION DE L'API ---
 app = FastAPI(
-    title="Business Risk API - Test MLflow Remote",
-    description="API de simulation utilisant un modèle stocké sur un serveur MLflow distant.",
-    version="3.5.0"
+    title="Business Risk API",
+    description="API de prédiction du risque de fermeture des entreprises via modèle AFT.",
+    version="3.6.0"
 )
 
+# Variables globales
 model = None
 SIGMA = None
 
@@ -34,8 +34,6 @@ async def load_model():
     global model, SIGMA
     try:
         print(f"🚀 Connexion à MLflow : {os.getenv('MLFLOW_TRACKING_URI')}")
-        
-        # Chargement du modèle
         loaded_model = mlflow.xgboost.load_model(MODEL_URI)
         
         if isinstance(loaded_model, xgb.Booster):
@@ -46,7 +44,7 @@ async def load_model():
         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}")
+        print(f"❌ Erreur lors du chargement du modèle : {e}")
 
 # --- 3. ROUTES ---
 
@@ -59,26 +57,38 @@ def health():
     return {
         "status": "online",
         "model_loaded": model is not None,
-        "run_id": RUN_ID
+        "run_id": RUN_ID,
+        "features_synced": len(FEATURES) > 0
     }
 
-@app.post("/predict")
-async def predict(data: dict):
-    try:
-        if model is None:
-            raise HTTPException(status_code=503, detail="Modèle non chargé")
+@app.post("/predict", tags=["Prédiction"])
+async def predict(
+    data: dict = Body(..., example={
+        "age_estime": 0.5,
+        "Tranche_effectif_num": 0,
+        "code_departement": "75",
+        "code_ape": "56",
+        "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 disponible")
 
-        # 1. Préparation
+    try:
+        # 1. Préparation des données (Utilise le mapping S3)
         dmatrix = prepare_input(data)
         
-        # 2. Prédiction
+        # 2. Inférence (Score MU)
         mu = float(model.predict(dmatrix)[0])
-        s = get_sigma(model)
         
-        # 3. Risques
-        p1 = calculate_survival_risk(mu, 1, s)
-        p2 = calculate_survival_risk(mu, 2, s)
-        p3 = calculate_survival_risk(mu, 3, s)
+        # 3. Calcul des probabilités avec le Sigma extrait du modèle
+        p1 = calculate_survival_risk(mu, 1, SIGMA)
+        p2 = calculate_survival_risk(mu, 2, SIGMA)
+        p3 = calculate_survival_risk(mu, 3, SIGMA)
         
         return {
             "diagnostic": {
@@ -90,22 +100,27 @@ async def predict(data: dict):
                 "2_ans": f"{p2}%",
                 "3_ans": f"{p3}%"
             },
+            "entrees_recues": {
+                "age_saisi": data.get("age_estime"),
+                "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")
-                }
+                "first_feature": FEATURES[0] if FEATURES else "None"
             },
             "metadonnees": {
-                "run_id": os.urandom(8).hex(),
-                "sigma_utilise": s
+                "run_id": RUN_ID,
+                "sigma_utilise": round(SIGMA, 6),
+                "api_version": "3.6.0"
             }
         }
+
     except Exception as e:
-        # Correction de la parenthèse ici
-        return {"error": str(e)}
+        raise HTTPException(
+            status_code=500, 
+            detail=f"Erreur lors de la prédiction : {str(e)}"
+        )
 
 if __name__ == "__main__":
     import uvicorn