README.md

metadata

title: MSL Internal API v7 Part 6
emoji: 🤖
colorFrom: blue
colorTo: indigo
sdk: docker
app_port: 7860
pinned: false
license: other

bert-api/

Backend Python Flask que sirve el clasificador BERT propio de MuseSceneLab para los comandos NLP de MEHEARSAL.

Origen: copiado de D:\XDev.Projects\MEHEARSAL-NLP-CONTROLLER-RMIT\mehearsal_v5_and_v6\bert-api\ con 3 modificaciones mínimas para HF Spaces Docker (ver §"Adaptaciones" más abajo).

Despliegue actual: HuggingFace Space MuseSceneLab/msl-internal-api-v7-part6 (Docker SDK). Ver doc 40 §6 Fase A.8-A.12.

Modelo HF: MuseSceneLab/mehearsal-nlp-v7-part6 — 46 intents (16 musicales + 30 UI/UX nuevos: PLAYBACK_*, LOAD_SONG, OPEN_SETTINGS, ADD_MUSICIAN, etc.). Resuelve el gap Part 6 UX identificado en doc 38 §3.

Nota sobre el frontmatter YAML del principio: lo leen los Spaces de HuggingFace para configurar el deploy (título, SDK, puerto). app_port: 7860 es crítico — sin él HF no sabe qué puerto exponer y el Space queda en "config error". En cualquier otro contexto (lectura local, repo de GitHub) el frontmatter se ignora o se renderiza como bloque inicial.

Despliegue futuro: AWS App Runner cuando se cumplan los disparadores de doc 33 §13.4.

---

Estructura

bert-api/
├── bert_api.py           Flask app. Carga modelo en arranque, expone /classify y /health
├── requirements.txt      flask, flask-cors, transformers, torch, huggingface_hub, python-dotenv
├── Dockerfile            Imagen para HF Spaces. Python 3.11-slim, expone 7860
├── .dockerignore         Excluye venv, __pycache__, README, etc. de la imagen
└── README.md             Este archivo

---

Endpoints

Método	Path	Body	Devuelve
POST	/classify	{ "utterance": "mute the guitar" }	{ intent_label, locale, target, params_json, confidence, model }
GET	/health	—	{ status, model }

---

Variables de entorno

Var	Default	Para qué
HF_TOKEN	(obligatorio)	Auth para descargar el modelo privado de HF. En HF Spaces se configura como Secret del Space
BERT_MODEL_NAME	MuseSceneLab/mehearsal-nlp-v7-part6	Cambiar para forzar otro modelo single-task (v5/v6/v7-part6 son compatibles, comparten arquitectura AutoModelForSequenceClassification)
PORT	7860	Puerto. Para gunicorn en el Dockerfile se hardcodea a 7860 en el flag --bind. Para Flask local (python bert_api.py) se lee de aquí

Servidor: gunicorn en producción, Flask dev en local

El Dockerfile lanza el backend con gunicorn (WSGI server productivo):

gunicorn --bind 0.0.0.0:7860 --workers 2 --preload --timeout 120 bert_api:app

• --workers 2: 2 procesos paralelos (CPU Basic free de HF Spaces tiene 2 vCPU).
• --preload: carga el modelo una vez antes de fork, los workers comparten memoria via COW. Sin esto, cada worker cargaría su copia y duplicaríamos memoria.
• --timeout 120: si una inferencia se cuelga, mata el worker y arranca otro. Default 30s es demasiado bajo para casos límite con torch.

Para desarrollo local rápido (iteración sobre bert_api.py sin tener que reconstruir imagen), el bloque if __name__ == '__main__' con app.run() sigue funcionando — basta con python bert_api.py. Esto NO se ejecuta en Spaces porque gunicorn importa bert_api:app directamente, sin pasar por __main__.

---

Desarrollo local

cd bert-api
python -m venv venv
.\venv\Scripts\activate            # Windows PowerShell: .\venv\Scripts\Activate.ps1
pip install -r requirements.txt
$env:HF_TOKEN = "hf_..."           # tu token con permiso de lectura sobre el modelo
python bert_api.py

Levanta en http://localhost:7860. Probar con:

curl -X POST http://localhost:7860/classify -H "Content-Type: application/json" -d '{"utterance":"mute the guitar"}'

Nota: la primera ejecución descarga el modelo (500 MB) desde HF a la caché local (`/.cache/huggingface/`). Ejecuciones posteriores son instantáneas.

---

Despliegue como Space (proceso R4-R7 de doc 33)

1. Crear Space en huggingface.co/new-space:

   • Owner: MuseSceneLab
   • Name: msl-internal-api-v7-part6
   • SDK: Docker (template Blank — usamos nuestro Dockerfile)
   • Hardware: CPU Basic (free)
   • Visibility: Public (el contenedor; los pesos del modelo siguen privados)
   • License: other (decisión doc 34 §D1 — IP de MSL)

2. En el Space, ir a Settings → Repository secrets → añadir HF_TOKEN con el token mehearsal-read de Jose.

3. Subir los 4 archivos vía Web UI (drag & drop en Files → Add file → Upload files): bert_api.py, Dockerfile, requirements.txt, README.md.

   NO subir la carpeta analisis/ — es contenido auxiliar local de MSL, no debe formar parte de la imagen Docker.

4. HF construye la imagen (~3-5 min). Verificar logs en la UI del Space.

5. URL pública: https://musescenelab-msl-internal-api-v7-part6.hf.space/classify.

---

Adaptaciones respecto al código fuente

Fuente: rama origin/part_6 del repo MEHEARSAL-NLP-CONTROLLER-RMIT, archivo mehearsal_v5_and_v6/bert-api/bert_api.py (commit 8645f5c — Add Part 6 UI UX intents).

Tres diffs vs ese fuente:

1. Import os al principio del archivo.
2. MODEL_NAME configurable vía env var (default v7-part6). El fuente lo tenía hardcoded.
3. Puerto y debug en app.run(): puerto leído de env var PORT (default 7860, requisito de Spaces), debug=False para producción.

La lógica de extract_entities() (con las listas musicians[], views{}, prefixes[] añadidas para Part 6), INTENT_METADATA (46 entradas) y el upgrade de intents en /classify está intacta. Esto evita cualquier divergencia funcional respecto al desarrollo RMIT.

---

Roadmap

• Ahora: HF Spaces Docker (este folder = código fuente, sin cambios entre dev local y prod Space)
• Futuro: migración a AWS App Runner. Ver doc 33 §13. El Dockerfile actual sirve igual sin cambios.