app.py

from modules.utilities import logger
import time
import gradio as gr
import os
import modules.utilities.utils as utils
from modules.binary_classification import binary_classification as binary
from modules.image_classification import image_classification as image
from modules.multilabel_classification import multi_classification as multi
from modules.retina import predict_diabetic_retinopathy as retina_detector
from modules.bpo_dispatcher import predict_bpo_ticket
import modules.forecasting as forecast

# --- CONFIGURAZIONE TEMA ---
theme = gr.themes.Soft(
    primary_hue="purple", 
    neutral_hue="slate",
    font=[gr.themes.GoogleFont("Inter"), "ui-sans-serif", "system-ui", "sans-serif"],
).set(
    block_title_text_weight="700",
    block_shadow="*shadow_drop_lg",
    block_label_background_fill="*primary_100", 
)

PATH_ROOT = "./data/gallery"
PATH_RETINA = "./data/gallery/retinopaty" 
PATH_XRAY = "./data/gallery/xray"   
PATH_FORECAST = "./data/export"

# Crea cartella e file demo se non esistono
if not os.path.exists(PATH_FORECAST):
    os.makedirs(PATH_FORECAST)
    
demo_csv_path = os.path.join(PATH_FORECAST, "plan_sample.csv")

# Se il file non esiste, ORA generiamo 4 settimane di dati procedurali
if not os.path.exists(demo_csv_path):
    csv_content = forecast.generate_mock_export()
    with open(demo_csv_path, "w") as f:
        f.write(csv_content)

def forecast_logic(file, request: gr.Request):
    start_time = time.time()
    
    if file is None: raise gr.Error("Seleziona un file CSV")
    if isinstance(file, list): file = file[0]
    
    img, text = forecast.predict_workload(file)
    
    if img is None: raise gr.Error(text)
    
    elapsed_time = time.time() - start_time
    logger.log_interaction(
        request=request,
        module_name="AI Forecaster",
        action="Prediction",
        input_data=file,
        execution_time=elapsed_time
    )
    return img, text

def binary_classification(text, request: gr.Request):
    start_time = time.time()
    
    if not text.strip(): 
        raise gr.Error('Il testo è obbligatorio!')
    result = binary(text)

    elapsed_time = time.time() - start_time
    logger.log_interaction(
        request=request,
        module_name="Sentiment Analysis (BPO)",
        action="Prediction",
        input_data=text,
        execution_time=elapsed_time
    )
    return result

def multi_classification(text, request: gr.Request):
    start_time = time.time()
    
    if not text.strip():
        raise gr.Error('Il testo è obbligatorio!')  

    try: 
        result = multi(text)

        elapsed_time = time.time() - start_time
        logger.log_interaction(
            request=request,
            module_name="Smart Content Tagger",
            action="Prediction",
            input_data=text,
            execution_time=elapsed_time
        )
        return result
        
    except Exception as e: 
        raise gr.Error(f'Errore nel modello: {str(e)}')

def image_classification(img, request: gr.Request):
    start_time = time.time()
    result = image(img)    
    elapsed_time = time.time() - start_time
    logger.log_interaction(
        request=request,
        module_name="Chest X-Ray",
        action="Prediction",
        input_data=img, 
        execution_time=elapsed_time
    )
    return result

def retina_classification(retina, request: gr.Request):
    start_time = time.time()
    result = retina_detector(retina)
    elapsed_time = time.time() - start_time
    logger.log_interaction(
        request=request,
        module_name="Diabetic Retinopathy",
        action="Prediction",
        input_data=retina,
        execution_time=elapsed_time
    )
    return result

def bpo_dispatch_logic(text, request: gr.Request):

    start_time = time.time()
    
    try:
        intent, urgency, entities = predict_bpo_ticket(text)
        
        if intent is None:
             raise gr.Error("Errore nel modello BPO. Verifica i log.")
        
        top_intent = max(intent, key=intent.get) 
        
        action = "Inoltro generico"
        if top_intent == "Retention / Churn Risk":
            action = "🚨 ALERT: Assegnazione coda 'Retention' + Chiamata Outbound"
        elif top_intent == "Supporto Tecnico":
            action = "🛠️ Apertura Ticket JIRA (Livello 1) - Priorità Tecnica"
        elif top_intent == "Amministrazione / Billing":
            action = "💰 Verifica insoluti su SAP + Inoltro Backoffice Amm.vo"

        html_output = utils.render_ner_html(entities)

        elapsed_time = time.time() - start_time
        logger.log_interaction(
            request=request,
            module_name="BPO Dispatcher",
            action="Prediction",
            input_data=text,
            execution_time=elapsed_time
        )

        return intent, urgency, action, html_output

    except Exception as e:
        raise gr.Error(f"Errore nell'analisi: {str(e)}")

with gr.Blocks(title="NGT AI Platform", theme=theme, css_paths="style.css") as demo:

    # --- SIDEBAR (FILE EXPLORER) ---
    with gr.Sidebar(position="left", width=300, visible=False) as main_sidebar:
        gr.Markdown("### 📂 Risorse Demo")
        gr.Markdown("Seleziona i file di esempio:")

        sidebar_explorer = gr.FileExplorer(
            root_dir=PATH_ROOT, 
            glob="**/*", 
            ignore_glob="*.h5,*.json,*.py,*.pyc", 
            file_count="single",
            label="Archivio File",
            height=400,
            interactive=True
        )
        
        gr.Markdown("---")
        gr.Markdown("**Info Sistema:**")
        gr.Markdown("🟢 Server: Online")
        gr.Markdown("🟣 GPU: N/A (CPU Mode)")

    # --- MAIN CONTENT ---
    with gr.Column():
    
        # --- HEADER ---
        with gr.Row(elem_classes="header-row"):
            with gr.Column(scale=0, min_width=80, elem_classes="logo-container"):
                gr.Image(value="data/icon.png", show_label=False, show_download_button=False, show_share_button=False, container=False, show_fullscreen_button=False, interactive=False, height=80, width=80)
            with gr.Column(scale=1, elem_classes="header-text-col"):
                gr.Markdown("""<h1>AI Platform</h1><div class='subheader'>Advanced Machine Learning Solutions</div>""")
        
        # --- BPO INTELLIGENT DISPATCHER ---
        with gr.Tab("🧩 BPO Dispatcher") as tab_bpo:
            gr.Markdown("""
            # 🧩 Intelligent Ticket Routing & NER
            Sistema proprietario per l'analisi automatica dei ticket di assistenza. Il modello identifica l'intento, l'urgenza e i dati sensibili del cliente.
            """)
            
            with gr.Row(elem_classes="responsive-row"):
                # INPUT
                with gr.Column(scale=1):
                    bpo_input = gr.Textbox(lines=8, placeholder="Incolla qui il contenuto della mail o del ticket...", label="Contenuto Ticket / Email")
                    analyze_btn_bpo = gr.Button("⚡ Analizza Richiesta", variant="primary")
                    gr.HTML("""
                    <div class='model-card'>
                        <strong>🛠️ Model Architecture:</strong> NGT-BERT-Custom (DistilBERT)<br>
                        <strong>📚 Training Data:</strong> Synthetic BPO Dataset (2025)<br>
                        <strong>🎯 Tasks:</strong> Intent Classification (Multi-class), Entity Extraction (NER)
                    </div>
                    """)

                # OUTPUT
                with gr.Column(scale=1):
                    with gr.Group():
                        gr.Markdown("#### 📋 Analisi Processata", elem_classes="h4-margin")
                        bpo_intent_output = gr.Label(num_top_classes=3, label="Intento Rilevato")
                        with gr.Row():
                            bpo_urgency_output = gr.Textbox(label="Livello Urgenza", scale=1)
                            bpo_action_output = gr.Textbox(label="Azione Consigliata (Auto)", scale=1)
                        
                        gr.Markdown("#### 🔍 Dati Estratti (NER)", elem_classes="h4-margin")
                        bpo_ner_output = gr.HTML(label="Visualizzazione Entità")

            gr.Examples(
                examples=[
                    ["Buongiorno, vi scrivo perché la fattura n. 99283 del mese scorso è sbagliata. Non ho consumato così tanto. Il mio codice cliente è 4599201. Attendo rettifica urgente."],
                    ["Salve, il servizio non funziona da ieri. Mi dà errore 504 sul router. Risolvete subito per favore!"],
                    ["Vorrei disdire il contratto con decorrenza immediata se non mi risolvete il problema."]
                ],
                inputs=bpo_input
            )
            
            analyze_btn_bpo.click(
                bpo_dispatch_logic, 
                inputs=bpo_input, 
                outputs=[bpo_intent_output, bpo_urgency_output, bpo_action_output, bpo_ner_output]
            )

        # --- AI FORECASTER ---
        with gr.Tab("🔮 AI Forecaster") as tab_forecast:
            gr.Markdown("""
            # 🔮 AI Brain: Predictive Planning
            Modulo interattivo per la pianificazione dei turni. Confronta in tempo reale il forecast AI con i dati storici effettivi.
            """)
            
            with gr.Row(elem_classes="responsive-row"):
                with gr.Column(scale=1):
                    gr.Markdown("### 1. Configurazione")
                    with gr.Row():
                        gr.Dropdown(["Customer Care"], label="Business Unit", value="Customer Care")
                        gr.Dropdown(["Ass. Tecnica"], label="Reparto", value="Ass. Tecnica")
                        gr.Dropdown(["Inbound Calls"], label="Attività", value="Inbound Calls")
                
                with gr.Column(scale=1):
                    gr.Markdown("### 2. Dati Storici")
                    with gr.Row():
                        forecast_file = gr.File(
                            label="Seleziona Export (.csv)", 
                            file_types=[".csv"], 
                            height=100,
                            interactive=False
                        )
            with gr.Row(elem_classes="responsive-row"):
                forecast_btn = gr.Button("🔮 Genera\nGrafico", variant="primary", scale=1)

            with gr.Row(elem_classes="responsive-row"):
                with gr.Column():
                    gr.Markdown("### 📊 Dashboard Interattiva")
                    # show_label=False rende il grafico più pulito senza il titolino grigio sopra
                    forecast_plot = gr.Plot(show_label=False)

            with gr.Row(elem_classes="responsive-row"):
                forecast_stats = gr.Textbox(label="KPI Backtesting & Performance", lines=3)
            
            forecast_btn.click(
                forecast_logic, 
                inputs=forecast_file, 
                outputs=[forecast_plot, forecast_stats]
            )
        
        # --- Sentiment Analysis (BPO) ---
        with gr.Tab("📢 Sentiment Analysis (BPO)") as tab_sentiment:
            
            # 1. HEADER E GUIDA UTENTE
            gr.Markdown("""
            # 😠/😍 Analizzatore di Sentiment (Dominio Helpdesk)
            
            **ATTENZIONE:** Questo modello è **altamente specializzato** nel dominio dell'Assistenza Clienti (Telco/Energy).
            
            * ✅ **Usa questo modulo per:** Ticket di guasti, lamentele amministrative, feedback su operatori, richieste di disdetta.
            * ❌ **NON usare questo modulo per:** Frasi generiche ("Il cielo è blu"), recensioni di film, o linguaggio comune non tecnico.
            
            _Il modello potrebbe interpretare frasi generiche positive come negative se non contengono parole chiave del suo vocabolario specifico._
            """)
            
            # 2. DETTAGLI TECNICI (Nascosti in un Accordion per pulizia)
            with gr.Accordion("ℹ️ Come funziona questo modello?", open=False):
                gr.Markdown("""
                Questo sistema utilizza una rete neurale leggera addestrata su un dataset proprietario di **1.200 interazioni reali** cliente-operatore.
                
                * **Preprocessing:** Lemmatizzazione Spacy + Rimozione Stopwords (con Whitelist per le negazioni).
                * **Architettura:** Dense Neural Network con Dropout e L2 Regularization.
                * **Focus:** È calibrato per rilevare l'urgenza nascosta anche in frasi apparentemente calme.
                """)
            
            # 3. INTERFACCIA
            with gr.Row(elem_classes="responsive-row"):
                with gr.Column():
                    # Input Text
                    sentiment_input = gr.Textbox(
                        label="Inserisci il testo del ticket o della mail", 
                        placeholder="Es: Non funziona internet e nessuno mi risponde...",
                        lines=3
                    )
                    
                    # ESEMPI CLICCABILI (Fondamentali per guidare l'utente!)
                    gr.Examples(
                        examples=[
                            ["L'assistenza ricevuta è stata pessima, sono deluso."],
                            ["Il router funziona benissimo, grazie per la velocità."],
                            ["Non ho ancora ricevuto la fattura di gennaio."],
                            ["Sono due giorni che ho la linea ferma, è inaccettabile!"],
                            ["L'operatore Marco è stato gentilissimo e ha risolto tutto."]
                        ],
                        inputs=sentiment_input,
                        label="Prova questi esempi BPO:"
                    )
                    
                    sentiment_btn = gr.Button("Analizza Sentiment", variant="primary")
                    
                with gr.Column():
                    # Output Label (Percentuali)
                    sentiment_output = gr.Label(num_top_classes=2, label="Risultato Analisi")
            
            # 4. COLLEGAMENTO FUNZIONE
            sentiment_btn.click(
                fn=binary_classification, 
                inputs=sentiment_input, 
                outputs=sentiment_output
            )
        
        # --- News Classification (AI Editor) ---
        with gr.Tab("📰 Smart Content Tagger") as tab_news:
            
            # 1. HEADER & CONTESTO
            gr.Markdown("""
            # 🏷️ Classificazione Editoriale Automatica
            
            Questo modulo simula un **assistente editoriale AI**. Analizza il testo di un articolo o di un lancio di agenzia e suggerisce la categoria tematica corretta per l'archiviazione.
            
            * **Categorie Supportate:** `Economia`, `Politica`, `Scienza & Tecnica`, `Sport`, `Storia`.
            * **Tecnologia:** Deep Learning su sequenze di testo (Embedding layer).
            """)
            
            with gr.Row(elem_classes="responsive-row"):
                # COLONNA INPUT (L'Articolo)
                with gr.Column(scale=3):
                    multi_input = gr.Textbox(
                        label="Testo dell'articolo", 
                        placeholder="Incolla qui il titolo o il corpo del testo (es. news ANSA, Reuters...)",
                        lines=6
                    )
                    
                    # Esempi calibrati sulle tue 5 classi
                    gr.Examples(
                        examples=[
                            ["L'inflazione nell'area euro scende al 2.4%, la BCE valuta il taglio dei tassi di interesse."], # Economia
                            ["Il Parlamento ha approvato il nuovo decreto legge con 200 voti favorevoli. Il Premier esprime soddisfazione."], # Politica
                            ["La sonda spaziale ha inviato nuove immagini ad alta risoluzione della superficie di Marte, rivelando tracce di antichi fiumi."], # Scienza
                            ["Finale incredibile allo stadio: la squadra di casa ribalta il risultato al 90° minuto e vola in testa alla classifica."], # Sport
                            ["Durante gli scavi a Pompei sono emersi nuovi affreschi risalenti al I secolo d.C. perfettamente conservati."] # Storia
                        ],
                        inputs=multi_input,
                        label="Prova questi lanci d'agenzia:"
                    )
                    
                    analyze_btn_multi = gr.Button("🏷️ Classifica Articolo", variant="primary")

                # COLONNA OUTPUT (I Tag)
                with gr.Column(scale=2):
                    with gr.Group():
                        gr.Markdown("### 📊 Categorie Rilevate", elem_classes="h4-margin")
                        # Usiamo un Label con top_classes=5 per vedere la distribuzione completa
                        multi_output = gr.Label(num_top_classes=5, label="Confidenza del Modello")
                    
            analyze_btn_multi.click(multi_classification, inputs=multi_input, outputs=multi_output)
        
        # --- Chest X-Ray Diagnostics ---
        with gr.Tab("🩻 Chest X-Ray Diagnostics") as tab_xray:
            
            # 1. DISCLAIMER MEDICO (Fondamentale)
            gr.Markdown("""
            # 🩻 Analisi Radiografica Toracica (Supporto Decisionale)
            
            **DISCLAIMER:** Questo modulo è un prototipo di ricerca AI. **NON sostituisce il parere di un medico.**
            Il sistema è addestrato per identificare pattern visivi associati a:
            * **Polmonite** (Pneumonia)
            * **Tubercolosi** (Tuberculosis)
            
            *Utilizzare gli esempi di radiografiche frontali (Chest X-Ray) recuperabili nella sidebar laterale.*
            """)
            
            with gr.Row(elem_classes="responsive-row"):
                # COLONNA INPUT
                with gr.Column(scale=1):
                    image_input = gr.Image(type="numpy", label="Seleziona Radiografia", height=400, interactive=False)
                    analyze_btn_img = gr.Button("🏥 Avvia Diagnosi AI", variant="primary")

                # COLONNA OUTPUT
                with gr.Column(scale=1):
                    with gr.Group():
                        gr.Markdown("#### 📋 Referto AI", elem_classes="h4-margin")
                        output_label = gr.Label(num_top_classes=4, label="Probabilità Patologia")
                    
            analyze_btn_img.click(image_classification, inputs=image_input, outputs=output_label)

        # --- Diabetic Retinopathy ---
        with gr.Tab("👁️ Diabetic Retinopathy") as tab_retina:
            gr.Markdown("""
            # 👁️ Screening Retinopatia Diabetica
            **DISCLAIMER:** Questo modulo è un prototipo di ricerca AI. **NON sostituisce il parere di un medico.** Sistema di supporto decisionale. Analizza scansioni del fondo oculare.
            
            *Utilizzare gli esempi di retinografie digitali recuperabili nella sidebar laterale.*            
            """)
            
            with gr.Row(elem_classes="responsive-row"):
                # COLONNA INPUT
                with gr.Column(scale=1):
                    image_input_dr = gr.Image(
                        type="numpy", 
                        label="Seleziona Scansione Retinica", 
                        height=400,
                        sources=["upload", "clipboard"],
                        interactive=False
                    )
                    analyze_btn_dr = gr.Button("🏥 Analisi Fondo Oculare", variant="primary")

                # COLONNA OUTPUT
                with gr.Column(scale=1):
                    with gr.Group():
                        gr.Markdown("### 📋 Esito Screening", elem_classes="h4-margin")
                        # Output 1: La Diagnosi (Testo)
                        output_dr_diagnosis = gr.Label(label="Diagnosi AI")
                        # Output 2: La Percentuale (Testo/Numero)
                        output_dr_prob = gr.Label(label="Livello di Confidenza (Rischio)")
                    
            analyze_btn_dr.click(
                retina_classification, 
                inputs=image_input_dr, 
                outputs=[output_dr_diagnosis, output_dr_prob]
            )

     
    ui_outputs = [main_sidebar, sidebar_explorer, image_input, image_input_dr]

    # 1. Click-to-Load (Rimane invariato)
    sidebar_explorer.change(
        fn=utils.global_file_loader, 
        inputs=sidebar_explorer,
        outputs=[bpo_input, forecast_file, image_input, image_input_dr, multi_input, sentiment_input]
    )
    
    # 2. ESET TOTALE
    # Questa funzione restituisce valori "vuoti" per tutti i campi sensibili
    def reset_all_fields():
        return (
            None,   # 1. bpo_input
            None,   # 2. bpo_intent
            None,   # 3. bpo_urgency
            None,   # 4. bpo_action
            None,   # 5. bpo_ner
            None,   # 6. forecast_file
            None,   # 7. forecast_plot
            None,   # 8. forecast_stats
            None,   # 9. image_input
            None,   # 10. output_label
            None,   # 11. image_input_dr
            None,   # 12. output_dr_diag
            None,   # 13. output_dr_prob
            None,   # 14. multi_input
            None,   # 15. multi_output
            None,   # 16. sentiment_input
            None    # 17. sentiment_output
        )

    reset_outputs = [
        bpo_input, bpo_intent_output, bpo_urgency_output, bpo_action_output, bpo_ner_output,
        forecast_file, forecast_plot, forecast_stats,
        image_input, output_label,
        image_input_dr, output_dr_diagnosis, output_dr_prob,
        multi_input, multi_output,
        sentiment_input, sentiment_output
    ]


    # 3. GESTIONE CAMBIO TAB (RESET + SIDEBAR)
    
    # Per i Tab NLP: Disabilita Sidebar + Resetta TUTTO
    tab_bpo.select(
        fn=utils.disable_sidebar, 
        outputs=ui_outputs
    ).then(
        fn=reset_all_fields, outputs=reset_outputs
    )

    tab_forecast.select(
        fn=lambda: utils.enable_sidebar(PATH_FORECAST), 
        outputs=ui_outputs
    ).then(
        fn=reset_all_fields, 
        outputs=reset_outputs
    )

    tab_news.select(
        fn=utils.disable_sidebar, 
        outputs=ui_outputs
    ).then(
        fn=reset_all_fields, outputs=reset_outputs
    )

    tab_sentiment.select(
        fn=utils.disable_sidebar, 
        outputs=ui_outputs
    ).then(
        fn=reset_all_fields, outputs=reset_outputs
    )
    
    # Per i Tab VISION: Abilita Sidebar specifica + Resetta TUTTO
    tab_xray.select(
        fn=lambda: utils.enable_sidebar(PATH_XRAY), 
        outputs=ui_outputs
    ).then(
        fn=reset_all_fields, outputs=reset_outputs
    )
    
    tab_retina.select(
        fn=lambda: utils.enable_sidebar(PATH_RETINA), 
        outputs=ui_outputs
    ).then(
        fn=reset_all_fields, outputs=reset_outputs
    )

if __name__ == "__main__":
    demo.launch(
        server_name="0.0.0.0", 
        server_port=7860, 
        allowed_paths=["data"]
    )