.

Dockerfile

@@ -0,0 +1,26 @@
+# Python 3.9 이미지 사용
+FROM python:3.13-slim
+
+# 작업 디렉토리 설정
+WORKDIR /app
+
+# 필요한 파일 복사
+# requirements.txt 먼저 복사하여 캐시 활용
+COPY requirements.txt .
+
+# 라이브러리 설치
+RUN pip install --no-cache-dir -r requirements.txt
+
+# 나머지 소스 코드 및 모델 파일 복사
+COPY . .
+
+# Hugging Face Spaces는 7860 포트를 사용함
+EXPOSE 7860
+
+# 권한 문제 방지를 위해 사용자 생성 및 전환 (선택사항이나 권장됨)
+RUN useradd -m -u 1000 user
+USER user
+ENV PATH="/home/user/.local/bin:$PATH"
+
+# FastAPI 서버 실행 (0.0.0.0으로 열어야 외부 접속 가능)
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -1,69 +1,11 @@
-from fastapi import FastAPI, HTTPException
-from pydantic import BaseModel
-import pandas as pd
-from catboost import CatBoostRegressor
-import os
+from fastapi import FastAPI
+from router import hospital_router
 
-app = FastAPI(title="Hospital Recommendation Model")
+app = FastAPI(title="Hospital Recommendation API")
 
-# 1. 모델 설정 및 로드
-MODEL_PATH = 'catboost_model.bin'
-model = CatBoostRegressor()
+# 라우터 등록
+app.include_router(hospital_router.router)
 
-# 애플리케이션 시작 시 모델 로드
-if os.path.exists(MODEL_PATH):
-    try:
-        model.load_model(MODEL_PATH)
-        print(f"✅ CatBoost 모델을 '{MODEL_PATH}'에서 성공적으로 로드했습니다.")
-    except Exception as e:
-        print(f"❌ 모델 로드 중 오류 발생: {e}")
-        # 실제 배포시에는 모델이 없으면 서버가 시작되지 않게 예외 처리 가능
-else:
-    print(f"⚠️ 경고: '{MODEL_PATH}' 파일을 찾을 수 없습니다. 모델 파일을 업로드해주세요.")
-
-# 2. 입력 데이터 검증을 위한 Pydantic 모델 정의
-class HospitalInput(BaseModel):
-    distance_m: float      # 거리 (미터)
-    rating: float          # 평점
-    congestion_level: int  # 혼잡도 (1~5 등)
-
-    class Config:
-        json_schema_extra = {
-            "example": {
-                "distance_m": 500,
-                "rating": 4.5,
-                "congestion_level": 2
-            }
-        }
-
-# 3. 예측 엔드포인트
-@app.post("/predict")
-def predict_recommendation(input_data: HospitalInput):
-    # 모델이 로드되지 않았을 경우 에러 처리
-    if model.tree_count_ is None:
-        raise HTTPException(status_code=500, detail="Model is not loaded.")
-
-    try:
-        # 입력 데이터를 DataFrame으로 변환 (특성 이름과 순서를 맞춤)
-        # 학습 시 순서: ['distance_m', 'rating', 'congestion_level']
-        data_df = pd.DataFrame([{
-            'distance_m': input_data.distance_m,
-            'rating': input_data.rating,
-            'congestion_level': input_data.congestion_level
-        }])
-
-        # 예측 수행
-        prediction = model.predict(data_df)
-        
-        # 결과 반환 (float 형태로 변환)
-        return {
-            "status": "success",
-            "predicted_score": float(prediction[0])
-        }
-    except Exception as e:
-        raise HTTPException(status_code=500, detail=str(e))
-
-# 4. 헬스 체크 (서버 상태 확인용)
 @app.get("/")
-def read_root():
-    return {"message": "Hospital Recommendation API is running"}
+def health_check():
+    return {"message": "API Server is running. Go to /docs for testing."}

router/hospital_router.py

@@ -0,0 +1,100 @@
+from fastapi import APIRouter
+from pydantic import BaseModel
+from typing import List
+import pandas as pd
+from catboost import CatBoostRegressor
+import os
+
+router = APIRouter(prefix="/hospital", tags=["Hospital Prediction"])
+
+# --- 모델 로드 로직 (기존과 동일) ---
+BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
+MODEL_PATH = os.path.join(BASE_DIR, 'model', 'catboost_model.bin')
+
+model = CatBoostRegressor()
+if os.path.exists(MODEL_PATH):
+    try:
+        model.load_model(MODEL_PATH)
+        print(f"✅ [Router] 모델 로드 완료: {MODEL_PATH}")
+    except Exception as e:
+        print(f"❌ [Router] 모델 로드 실패: {e}")
+else:
+    print(f"⚠️ [Router] 경고: 모델 파일 없음")
+
+
+# 1. 입력 데이터 모델 정의 (단일 병원 객체)
+class HospitalInput(BaseModel):
+    id: int               # 병원 ID (필수)
+    distance_m: float
+    rating: float
+    congestion_level: int
+
+    class Config:
+        json_schema_extra = {
+            "example": {
+                "id": 101,
+                "distance_m": 500,
+                "rating": 4.5,
+                "congestion_level": 2
+            }
+        }
+
+# 2. 예측 엔드포인트 정의
+# List[HospitalInput]을 사용하여 여러 병원 데이터를 리스트로 받습니다.
+@router.post("/predict")
+async def predict_score(hospital_list: List[HospitalInput]):
+    # 모델 로드 상태 확인
+    if model.tree_count_ is None:
+        return {
+            "success": False,
+            "data": None,
+            "msg": "AI Server Error: Model is not loaded."
+        }
+
+    try:
+        # 입력 데이터가 비어있는지 확인
+        if not hospital_list:
+            return {
+                "success": True,
+                "data": [],
+                "msg": "No hospital data provided."
+            }
+
+        # 1. 리스트를 DataFrame으로 변환 (한 번에 예측하기 위함)
+        # Pydantic 모델 리스트를 dict 리스트로 변환
+        input_data_list = [h.dict() for h in hospital_list]
+        df = pd.DataFrame(input_data_list)
+
+        # 2. 예측에 필요한 특성(Feature)만 선택
+        # 학습할 때 사용한 특성 순서를 맞춰줍니다.
+        X_features = df[['distance_m', 'rating', 'congestion_level']]
+
+        # 3. 일괄 예측 수행 (Batch Prediction)
+        predictions = model.predict(X_features)
+
+        # 4. 결과 매핑 및 구조화
+        hospital_rank_data = []
+        
+        # DataFrame의 각 행과 예측 결과를 합칩니다.
+        for idx, row in df.iterrows():
+            hospital_rank_data.append({
+                "id": int(row['id']),
+                "predicted_recommendation_score": float(predictions[idx])
+            })
+
+        # 5. 점수 기준 내림차순 정렬 (Rank)
+        hospital_rank_data.sort(key=lambda x: x['predicted_recommendation_score'], reverse=True)
+
+        # 6. 최종 결과 반환
+        return {
+            "success": True,
+            "data": hospital_rank_data,
+            "msg": ""
+        }
+
+    except Exception as e:
+        return {
+            "success": False,
+            "data": None,
+            "msg": f"AI Server Error: Prediction Error: {str(e)}"
+        }