app.py

import gradio as gr
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from xgboost import XGBClassifier
import time
import os
import re
import json

# ============================================================
# 0-A. Claude API 클라이언트 초기화 (5세대용)
# ============================================================
try:
    from anthropic import Anthropic
    _api_key = os.environ.get("ANTHROPIC_API_KEY")
    if _api_key:
        claude_client = Anthropic(api_key=_api_key)
        CLAUDE_AVAILABLE = True
    else:
        claude_client = None
        CLAUDE_AVAILABLE = False
except ImportError:
    claude_client = None
    CLAUDE_AVAILABLE = False

CLAUDE_MODEL = "claude-sonnet-4-6"

# ============================================================
# 0-B. 7대 실무 피처 정의 및 모델 학습 데이터 생성
# ============================================================
FEATURES = [
    '이체금액', '이체시각', '신규수취인여부', '잔액점유율', 
    '입출금시간차', '원격제어탐지', '고객위험점수'
]

def build_training_data_v2(n_normal=250, n_fraud=80, seed=42):
    np.random.seed(seed)
    normal = pd.DataFrame({
        '이체금액': np.random.normal(50, 30, n_normal).clip(1, 2000),
        '이체시각': np.random.normal(14, 4, n_normal).clip(0, 23),
        '신규수취인여부': np.random.binomial(1, 0.2, n_normal),
        '잔액점유율': np.random.beta(2, 5, n_normal) * 100,
        '입출금시간차': np.random.exponential(120, n_normal).clip(0, 1440),
        '원격제어탐지': np.random.binomial(1, 0.01, n_normal),
        '고객위험점수': np.random.normal(30, 10, n_normal).clip(0, 100),
        '라벨': 0
    })
    fraud = pd.DataFrame({
        '이체금액': np.random.normal(600, 300, n_fraud).clip(100, 5000),
        '이체시각': np.random.choice([2, 3, 4, 23], n_fraud),
        '신규수취인여부': np.random.binomial(1, 0.9, n_fraud),
        '잔액점유율': np.random.uniform(80, 100, n_fraud),
        '입출금시간차': np.random.uniform(0.5, 15, n_fraud),
        '원격제어탐지': np.random.binomial(1, 0.6, n_fraud),
        '고객위험점수': np.random.normal(80, 15, n_fraud).clip(0, 100),
        '라벨': 1
    })
    return pd.concat([normal, fraud], ignore_index=True)

def train_gen2():
    data = build_training_data_v2()
    model = LogisticRegression(random_state=42, max_iter=2000)
    model.fit(data[FEATURES], data['라벨'])
    return model

def train_gen3():
    data = build_training_data_v2()
    model = XGBClassifier(n_estimators=10, max_depth=3, learning_rate=0.1, random_state=42, eval_metric='logloss')
    model.fit(data[FEATURES], data['라벨'])
    return model

gen2_model = train_gen2()
gen3_model = train_gen3()
GEN2_COEF = gen2_model.coef_[0]
GEN2_INTERCEPT = gen2_model.intercept_[0]
GEN3_IMPORTANCE = gen3_model.feature_importances_

# ============================================================
# 4세대 Mini GNN (7차원 입력 대응)
# ============================================================
def build_graph_features(amount, hour, new_payee, bal_ratio, time_delta, remote, risk):
    amt_n, hr_n, bal_n, time_n, risk_n = amount/1000, abs(hour-12)/12, bal_ratio/100, (1 if time_delta<15 else 0), risk/100
    
    trans_node = np.array([amt_n, hr_n, new_payee, bal_n, time_n, remote, risk_n])
    sender_node = np.array([0.0, hr_n, 0.0, 0.0, 0.0, 0.0, risk_n])
    receiver_node = np.array([0.5, 0.3, 1.0, 0.4, 0.8, 0.0, 0.5]) if new_payee == 1 else np.array([-0.2, 0.0, 0.0, -0.1, 0.0, 0.0, 0.0])
    device_node = np.array([0.3, 0.5, 0.0, 0.2, 0.0, 1.0, 0.8]) if remote == 1 else np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0])
    return np.array([trans_node, sender_node, receiver_node, device_node])

ADJ = np.array([[1, 1, 1, 1], [1, 1, 0, 0], [1, 0, 1, 0], [1, 0, 0, 1]], dtype=np.float32)
ADJ_NORM = ADJ / ADJ.sum(axis=1, keepdims=True)

class MiniGNN:
    HIDDEN_DIM = 16
    def __init__(self, seed=42):
        np.random.seed(seed)
        self.W1 = np.random.randn(7, self.HIDDEN_DIM) * np.sqrt(2.0 / 7)
        self.W2 = np.random.randn(self.HIDDEN_DIM, self.HIDDEN_DIM) * np.sqrt(2.0 / self.HIDDEN_DIM)
        self.W_mlp = np.random.randn(self.HIDDEN_DIM, 1) * np.sqrt(2.0 / self.HIDDEN_DIM)
        self.b_mlp = np.zeros(1)

    @staticmethod
    def _relu(x): return np.maximum(0, x)
    @staticmethod
    def _sigmoid(x): return 1 / (1 + np.exp(-np.clip(x, -50, 50)))

    def forward(self, node_features, return_intermediates=False):
        agg1 = ADJ_NORM @ node_features
        z1 = agg1 @ self.W1
        h1 = self._relu(z1)
        agg2 = ADJ_NORM @ h1
        z2 = agg2 @ self.W2
        h2 = self._relu(z2)
        trans_embedding = h2[0]
        logit = trans_embedding @ self.W_mlp + self.b_mlp
        prob = self._sigmoid(logit)
        if return_intermediates:
            return float(prob[0]), {'h1': h1, 'h2': h2, 'trans_embedding': trans_embedding, 'logit': float(logit[0])}
        return float(prob[0])

def train_gnn():
    X_df = build_training_data_v2()
    X = X_df[FEATURES].values
    model = MiniGNN(seed=42)
    # (실제 환경에서는 여기서 train_step 반복. 데모 시각화 목적이므로 구조만 초기화 유지)
    return model

gnn_model = train_gnn()

# ============================================================
# 공통 HTML 빌더 및 UI 컴포넌트
# ============================================================
def decide(prob_or_score, is_score=False):
    if is_score:
        if prob_or_score >= 70: return "차단", "#FCEBEB", "#791F1F"
        if prob_or_score >= 40: return "추가 인증", "#FAEEDA", "#854F0B"
        return "통과", "#EAF3DE", "#3B6D11"
    else:
        if prob_or_score >= 0.7: return "차단", "#FCEBEB", "#791F1F"
        if prob_or_score >= 0.5: return "추가 인증", "#FAEEDA", "#854F0B"
        return "통과", "#EAF3DE", "#3B6D11"

def card_header(gen_label, title, decision_text, bg_color, text_color, sub):
    return f"""
    <div style="display:flex; align-items:center; justify-content:space-between; margin-bottom:12px;">
      <div>
        <p style="font-size:11px; color:#888; margin:0; letter-spacing:0.5px;">{gen_label}</p>
        <p style="font-size:16px; font-weight:500; margin:2px 0 0;">{title}</p>
      </div>
      <div style="text-align:right;">
        <span style="background:{bg_color}; color:{text_color}; font-size:12px; padding:4px 12px; border-radius:8px; font-weight:500;">{decision_text}</span>
        <p style="font-size:13px; color:#666; margin:4px 0 0;">{sub}</p>
      </div>
    </div>
    """

def details_box(title, content):
    """접기/펼치기 (Accordion) UI 래퍼"""
    return f"""
    <details style="background:#FAFAF7; border:1px solid #EAEAEA; border-radius:8px; padding:10px 14px; margin-top:12px; transition: all 0.3s ease;">
      <summary style="font-size:13px; font-weight:600; color:#0C447C; cursor:pointer; list-style:none; display:flex; align-items:center; gap:6px;">
        <span>🔍 {title}</span><span style="font-size:10px; color:#888;">(클릭하여 펼치기)</span>
      </summary>
      <div style="margin-top:12px; border-top:1px dashed #ccc; padding-top:12px;">
        {content}
      </div>
    </details>
    """

def formula_box(html):
    return f"""<div style="background:#f5f5f0; padding:10px 12px; border-radius:6px; font-family:'Courier New',monospace; font-size:12px; margin-bottom:10px; line-height:1.6;">{html}</div>"""

def feature_setup_box(actor_label, actor_color, items, explanation):
    color_map = {'human': ('#E6F1FB', '#0C447C'), 'model': ('#FAECE7', '#993C1D'), 'mixed': ('#F1EFE8', '#5F5E5A')}
    badge_bg, badge_fg = color_map.get(actor_color, color_map['mixed'])

    rows = "".join([f"<tr><td style='padding:5px 8px; color:#444; width:30%;'>{name}</td><td style='padding:5px 8px; width:20%;'><span style='background:{color_map.get(actor, color_map['mixed'])[0]}; color:{color_map.get(actor, color_map['mixed'])[1]}; font-size:10px; padding:2px 8px; border-radius:6px; font-weight:500;'>{actor}</span></td><td style='padding:5px 8px; color:#666; font-size:12px;'>{desc}</td></tr>" for name, actor, desc in items])

    return f"""
    <div style="margin-bottom:10px;">
      <div style="display:flex; align-items:center; gap:10px; margin-bottom:8px;">
        <p style="font-size:12px; font-weight:500; color:#444; margin:0;">⚙️ Feature·Rule 결정 방식</p>
        <span style="background:{badge_bg}; color:{badge_fg}; font-size:10px; padding:3px 10px; border-radius:6px; font-weight:500;">{actor_label}</span>
      </div>
      <table style="width:100%; font-size:13px; border-collapse:collapse; background:#fff;"><tbody>{rows}</tbody></table>
      <p style="font-size:11px; color:#888; margin:8px 0 0; font-style:italic; line-height:1.5;">{explanation}</p>
    </div>
    """

CARD_STYLE = "background:#fff; border:0.5px solid rgba(0,0,0,0.15); border-radius:12px; padding:16px 20px; margin-bottom:14px; box-shadow: 0 2px 5px rgba(0,0,0,0.02);"

# ============================================================
# 세대별 렌더링 함수
# ============================================================
def render_gen1(amount, hour, new_payee_bin, bal_ratio, time_delta, remote_bin, risk):
    rules = [
        {"name": "고액/심야/신규", "cond": amount>=500 and (hour<=6 or hour>=22) and new_payee_bin==1, "w": 40},
        {"name": "자금 전달책 (광속 출금)", "cond": time_delta<=10, "w": 30},
        {"name": "탈취 의심 (잔액 털기)", "cond": bal_ratio>=90, "w": 20},
        {"name": "단말기 위험 (원격제어)", "cond": remote_bin==1, "w": 20}
    ]
    triggered = [r["cond"] for r in rules]
    score = sum(r["w"] for r, t in zip(rules, triggered) if t)
    dec, bg, fg = decide(score, is_score=True)

    rows = "".join([f"<tr style='background: {'#FAECE7' if t else '#ffffff'};'><td style='padding:6px 4px;'>{rule['name']}</td><td style='text-align:center;'>+{rule['w']}</td><td style='text-align:center;'>{'✓' if t else '—'}</td><td style='text-align:right;'>+{rule['w'] if t else 0}</td></tr>" for rule, t in zip(rules, triggered)])
    
    setup = feature_setup_box("100% 사람 결정", "human", [
        ("입력 Feature 7개", "사람", "도메인 전문가가 7개 핵심 지표 선정"),
        ("룰 조건 (임계값)", "사람", "≥500만, ≤10분, ≥90% 등 사람이 직접 결정"),
        ("룰별 가중치", "사람", "40 / 30 / 20 / 20점 사람이 부여")
    ], "한계: 룰이 고정값이라 임계값 바로 아래(예: 89% 잔액이체) 거래를 놓침")

    detail_content = f"""
    {setup}
    <table style="width:100%; font-size:13px; border-collapse:collapse;">
      <thead style="border-bottom:0.5px solid rgba(0,0,0,0.15);"><tr><th>룰</th><th>가중치</th><th>발동</th><th style="text-align:right;">적용</th></tr></thead>
      <tbody>{rows}</tbody>
    </table>
    """

    return f"""
    <div style="{CARD_STYLE}">
      {card_header("GEN 1 · RULE-BASED", "규칙 기반 판단", dec, bg, fg, f"누적 {score}점")}
      <p style="font-size:13px; color:#555; margin:0;">사전 정의된 4개의 위험 룰 발동 여부를 체크합니다.</p>
      {details_box("Feature 설정 및 룰 발동 상세내역", detail_content)}
    </div>
    """

def render_gen2(input_vec):
    logit = (GEN2_COEF * input_vec).sum() + GEN2_INTERCEPT
    prob = 1 / (1 + np.exp(-logit))
    dec, bg, fg = decide(prob)
    
    rows = "".join([f"<tr style='background: {'#FAECE7' if c>0 else ('#E1F5EE' if c<0 else '#fff')};'><td style='padding:4px;'>{f}</td><td style='text-align:right;'>{x:.2f}</td><td style='text-align:right;'>{w:+.4f}</td><td style='text-align:right; font-weight:500;'>{c:+.4f}</td></tr>" for f, x, w, c in zip(FEATURES, input_vec, GEN2_COEF, GEN2_COEF * input_vec)])

    setup = feature_setup_box("피처는 사람, 가중치는 모델", "mixed", [
        ("입력 Feature 7개", "사람", "7개 컬럼을 사람이 선정"),
        ("가중치 w₁~w₇", "모델", "알고리즘이 사기/정상 데이터를 보고 자동 학습")
    ], "피처 자체는 사람이 다시 설계해야 하며, 복잡한 비선형 패턴은 잡지 못함")

    detail_content = f"""
    {setup}
    <table style="width:100%; font-size:13px; border-collapse:collapse; margin-bottom:10px;">
      <thead style="border-bottom:0.5px solid rgba(0,0,0,0.15);"><tr><th>피처</th><th style="text-align:right;">입력값</th><th style="text-align:right;">가중치</th><th style="text-align:right;">기여도</th></tr></thead>
      <tbody>{rows}<tr><td colspan='3' style='text-align:right;'>절편 (bias)</td><td style='text-align:right; font-weight:500;'>{GEN2_INTERCEPT:+.4f}</td></tr></tbody>
    </table>
    {formula_box(f"z = {logit:+.4f}<br>P(사기) = 1 / (1 + e<sup>-z</sup>) = {prob*100:.2f}%")}
    """

    return f"""
    <div style="{CARD_STYLE}">
      {card_header("GEN 2 · LOGISTIC REGRESSION", "로지스틱 회귀", dec, bg, fg, f"{prob*100:.2f}%")}
      <p style="font-size:13px; color:#555; margin:0;">7개의 Feature에 학습된 선형 가중치를 곱하여 확률을 계산합니다.</p>
      {details_box("가중치 산식 및 모델 상세 연산", detail_content)}
    </div>
    """

def render_gen3(input_vec):
    input_df = pd.DataFrame([input_vec], columns=FEATURES)
    prob = float(gen3_model.predict_proba(input_df)[0][1])
    dec, bg, fg = decide(prob)

    booster = gen3_model.get_booster()
    trees_df = booster.trees_to_dataframe()
    input_dict = dict(zip(FEATURES, input_vec))

    tree_traces = []
    for tree_id in range(10):
        tree = trees_df[trees_df['Tree'] == tree_id].set_index('ID')
        current_id, path, leaf_val = f"{tree_id}-0", [], 0.0
        while True:
            row = tree.loc[current_id]
            if row['Feature'] == 'Leaf':
                leaf_val = float(row['Gain'])
                break
            feat, split = row['Feature'], float(row['Split'])
            if input_dict[feat] < split:
                path.append(f"[{feat} < {split:.1f}] Y")
                current_id = row['Yes']
            else:
                path.append(f"[{feat} < {split:.1f}] N")
                current_id = row['No']
        tree_traces.append((path, leaf_val))

    raw_score = sum(leaf for _, leaf in tree_traces)
    tree_rows = "".join([f"<tr><td style='padding:4px;'>#{i}</td><td style='font-size:11px;'>{' → '.join(path)}</td><td style='text-align:right; font-weight:500;'>{leaf:+.3f}</td></tr>" for i, (path, leaf) in enumerate(tree_traces[:5])])

    setup = feature_setup_box("피처는 사람, 트리 구조는 모델", "mixed", [
        ("트리 분기 임계값", "모델", "예: 잔액점유율 < 85.5 등 데이터에서 자동 발견"),
        ("각 leaf 값", "모델", "도달한 샘플들의 잔차로 자동 계산")
    ], "분기 임계값과 leaf 값을 모델이 스스로 찾아냅니다. 비선형 패턴 학습 가능.")

    detail_content = f"""
    {setup}
    <p style="font-size:13px; color:#666; margin:10px 0 4px;">🌳 학습된 트리 추적 (10개 중 5개 발췌)</p>
    <table style="width:100%; font-size:12px; border-collapse:collapse; background:#fff;">
      <thead><tr style="border-bottom:1px solid #ddd;"><th>트리</th><th>본 거래의 분기 경로</th><th style="text-align:right;">leaf 값</th></tr></thead>
      <tbody>{tree_rows}</tbody>
    </table>
    {formula_box(f"최종 합산 raw_score = {raw_score:+.4f} → Sigmoid = {prob*100:.2f}%")}
    """

    return f"""
    <div style="{CARD_STYLE}">
      {card_header("GEN 3 · XGBOOST", "XGBoost (트리 앙상블)", dec, bg, fg, f"{prob*100:.2f}%")}
      <p style="font-size:13px; color:#555; margin:0;">여러 개의 결정 트리가 복합적인 비선형 사기 패턴을 포착합니다.</p>
      {details_box("트리 분기 경로 및 Score 계산 상세", detail_content)}
    </div>
    """

def render_gen4(amount, hour, new_payee, bal_ratio, time_delta, remote, risk):
    node_features = build_graph_features(amount, hour, new_payee, bal_ratio, time_delta, remote, risk)
    prob, intermediates = gnn_model.forward(node_features, return_intermediates=True)
    dec, bg, fg = decide(prob)
    
    h1_trans, h2_trans = intermediates['h1'][0], intermediates['h2'][0]
    
    def render_grid(values):
        return "".join([f'<rect x="{(i%4)*16}" y="{(i//4)*16}" width="14" height="14" fill="{"#F0997B" if v>0.5 else ("#FAEEDA" if v>0.1 else "#F1EFE8")}" stroke="#ccc" stroke-width="0.5"/>' for i, v in enumerate(values)])

    # 7개의 입력 특징 사각형 동적 생성
    input_rects = "".join([
        f'<rect x="20" y="{40 + i*20}" width="80" height="16" rx="2" fill="#B5D4F4" stroke="#185FA5"/>'
        f'<text x="60" y="{51 + i*20}" font-size="9" fill="#0C447C" text-anchor="middle">{FEATURES[i]}</text>'
        f'<line x1="100" y1="{48 + i*20}" x2="200" y2="85" stroke="#ddd" stroke-width="0.5"/>'
        for i in range(7)
    ])

    svg = f"""
    <svg viewBox="0 0 500 200" xmlns="http://www.w3.org/2000/svg" style="width:100%; height:auto; background:#fff; border-radius:8px;">
      <text x="60" y="20" font-size="11" fill="#0C447C" text-anchor="middle">입력층 (7 Features)</text>
      <text x="240" y="20" font-size="11" fill="#5F5E5A" text-anchor="middle">은닉층1 (16 익명 차원)</text>
      <text x="420" y="20" font-size="11" fill="#5F5E5A" text-anchor="middle">은닉층2 (16 익명 차원)</text>
      {input_rects}
      <g transform="translate(210, 55)">{render_grid(h1_trans)}</g>
      <g transform="translate(390, 55)">{render_grid(h2_trans)}</g>
      <line x1="280" y1="85" x2="380" y2="85" stroke="#bbb" marker-end="url(#arr)"/>
      <rect x="20" y="180" width="460" height="15" fill="none" />
      <text x="250" y="190" font-size="10" fill="#888" text-anchor="middle">모델이 자동 생성한 16차원 벡터들 (사람은 의미 해석 불가)</text>
    </svg>
    """

    setup = feature_setup_box("구조는 사람, 임베딩은 모델", "model", [
        ("노드 구성", "사람", "거래, 송금인, 수취인, 단말기 노드 설정"),
        ("은닉층 16차원 피처", "모델", "사람이 정하지 않은 16개 익명 차원을 자동 생성")
    ], "4세대부터는 모델이 스스로 새로운 익명 피처(16개)를 만들어냅니다. (해석 불가 영역 진입)")

    detail_content = f"""
    {setup}
    <p style="font-size:13px; color:#666; margin:10px 0 4px;">🔍 Feature의 확장 과정 (1-hop → 2-hop)</p>
    {svg}
    """

    return prob, f"""
    <div style="{CARD_STYLE}">
      {card_header("GEN 4 · GNN", "그래프 신경망", dec, bg, fg, f"{prob*100:.2f}%")}
      <p style="font-size:13px; color:#555; margin:0;">단일 거래를 넘어 기기, 수취인과의 2-hop 관계망을 분석합니다.</p>
      {details_box("GNN 벡터 임베딩 확장 시각화", detail_content)}
    </div>
    """

def render_gen5(amount, hour, new_payee, bal_ratio, time_delta, remote, risk, prior_avg, use_api):
    prior_dec, _, _ = decide(prior_avg)
    
    is_at_risk = (remote == 1 and bal_ratio >= 90.0 and new_payee == 1)
    is_mule_risk = (time_delta <= 10.0 and new_payee == 1 and risk >= 70)
    
    if is_at_risk:
        prob, dec = 0.98, "차단"
        steps = [{"step": "원격제어앱 활성화 상태 확인", "attention": 0.5}, {"step": f"잔액의 {bal_ratio}% 잔액털기", "attention": 0.3}, {"step": "신규 계좌 이체", "attention": 0.2}]
        judg = f"<b>원격제어 실행 중</b> 잔액의 {bal_ratio}%를 신규 수취인에게 이체하는 전형적인 <b>스마트폰 해킹(Account Takeover)</b> 패턴입니다. 즉시 차단 및 앱 강제 로그아웃 권고."
    elif is_mule_risk:
        prob, dec = 0.95, "차단"
        steps = [{"step": f"입금 후 {time_delta}분 만에 즉시 이체", "attention": 0.45}, {"step": f"고객 내부 위험점수 {risk}점", "attention": 0.35}, {"step": "대포통장 패스스루 의심", "attention": 0.2}]
        judg = f"자금 입금 후 불과 <b>{time_delta}분 만에</b> 다시 빠져나가는 <b>자금 전달책(대포통장)</b> 패턴입니다. 24시간 이체 지연 조치 권고."
    else:
        prob, dec = min(prior_avg, 0.4), "통과"
        steps = [{"step": "단말기 이상 징후 없음", "attention": 0.4}, {"step": "시간차 및 위험점수 양호", "attention": 0.6}]
        judg = "입출금 패턴 및 단말기 무결성이 확인되어 정상 거래로 판정합니다."

    setup = feature_setup_box("프롬프트만 사람, 추론은 전적으로 모델", "model", [
        ("사전 지식", "모델", "보이스피싱, 대포통장 패턴을 LLM이 사전 학습으로 인지"),
        ("추론 과정 (CoT)", "모델", "각 단계에서 무엇에 주목할지 모델이 스스로 결정")
    ], "학습 데이터 없이(Zero-shot) 사전 지식만으로 맥락을 분석하고 자연어로 설명(XAI)해냅니다.")

    cot_rows = "".join([f"<tr><td style='padding:4px;'>{i+1}</td><td style='padding:4px;'>{s['step']}</td><td style='text-align:right;'>{s['attention']:.2f}</td></tr>" for i, s in enumerate(steps)])

    detail_content = f"""
    {setup}
    <p style="font-size:13px; color:#666; margin:10px 0 4px;">사고의 흐름 (Chain-of-Thought)</p>
    <table style="width:100%; font-size:12px; margin-bottom:10px; border-collapse:collapse; background:#fff;"><thead style="border-bottom:1px solid #ddd;"><tr><th>단계</th><th>추론 내용</th><th style="text-align:right;">Attention</th></tr></thead><tbody>{cot_rows}</tbody></table>
    """

    return f"""
    <div style="{CARD_STYLE}; border:2px solid #0C447C;">
      {card_header("GEN 5 · FOUNDATION MODEL", "초거대 LLM 상황 분석", dec, "#FCEBEB" if prob>0.7 else "#EAF3DE", "#791F1F" if prob>0.7 else "#3B6D11", f"의심도 {prob*100:.0f}%")}
      <p style="font-size:13px; color:#555; margin:0 0 10px 0;">1-4세대의 수치적 판단을 종합하여 LLM이 맥락을 이해하고 자연어로 보고서를 작성합니다.</p>
      <div style="background:#FAEEDA; padding:12px; border-radius:6px; font-size:13px; color:#412402; line-height:1.6;">{judg}</div>
      {details_box("LLM 추론 과정 (CoT) 및 설정 보기", detail_content)}
    </div>
    """

# ============================================================
# 메인 분석 함수 연동
# ============================================================
def analyze_transaction(amount, hour, payee, bal_ratio, time_delta, remote, risk, use_api):
    start_time = time.time()
    new_payee_bin = 1 if payee == "예" else 0
    remote_bin = 1 if remote == "탐지" else 0
    input_vec = np.array([amount, hour, new_payee_bin, bal_ratio, time_delta, remote_bin, risk], dtype=float)

    g1 = render_gen1(amount, hour, new_payee_bin, bal_ratio, time_delta, remote_bin, risk)
    g2 = render_gen2(input_vec)
    g3 = render_gen3(input_vec)
    
    input_df = pd.DataFrame([input_vec], columns=FEATURES)
    prob3 = float(gen3_model.predict_proba(input_df)[0][1])
    
    prob4, g4 = render_gen4(amount, hour, new_payee_bin, bal_ratio, time_delta, remote_bin, risk)
    
    prob2 = 1 / (1 + np.exp(-((GEN2_COEF * input_vec).sum() + GEN2_INTERCEPT)))
    prior_avg = (prob2 + prob3 + prob4) / 3

    g5 = render_gen5(amount, hour, new_payee_bin, bal_ratio, time_delta, remote_bin, risk, prior_avg, use_api)

    elapsed = time.time() - start_time
    summary = f"""
    <div style="background:#f5f5f0; border-radius:12px; padding:16px 20px; margin-bottom:14px;">
      <p style="font-size:14px; font-weight:bold; margin:0 0 10px 0;">분석 요약 (소요시간: {elapsed:.2f}초)</p>
      <div style="display:grid; grid-template-columns:repeat(4, 1fr); gap:10px;">
        <div><span style="font-size:11px; color:#888;">이체금액</span><br><b style="font-size:15px;">{amount}만원</b></div>
        <div><span style="font-size:11px; color:#888;">잔액점유율</span><br><b style="font-size:15px;">{bal_ratio}%</b></div>
        <div><span style="font-size:11px; color:#888;">입출금시간차</span><br><b style="font-size:15px;">{time_delta}분</b></div>
        <div><span style="font-size:11px; color:#888;">원격제어</span><br><b style="font-size:15px;">{remote}</b></div>
      </div>
    </div>
    """
    return summary + g1 + g2 + g3 + g4 + g5

# ============================================================
# Gradio UI 구성
# ============================================================
with gr.Blocks(theme=gr.themes.Default(), title="FDS XAI 데모") as demo:
    gr.HTML("<h2 style='text-align:center;'>🛡️ 인터넷뱅크 FDS 생성 과정 시각화 데모</h2>")
    
    with gr.Row():
        with gr.Column(scale=1):
            amount_in = gr.Number(label="1. 이체 금액 (만원)", value=700)
            hour_in = gr.Slider(label="2. 거래 시간 (0-23시)", minimum=0, maximum=23, value=3)
            payee_in = gr.Radio(label="3. 신규 수취인 여부", choices=["아니오", "예"], value="예")
            balance_ratio_in = gr.Slider(label="4. 잔액 점유율 (%)", minimum=0.0, maximum=100.0, value=95.0)
            time_delta_in = gr.Number(label="5. 입금 후 출금 시간차 (분)", value=2.5)
            remote_in = gr.Radio(label="6. 원격제어앱 탐지", choices=["미탐지", "탐지"], value="탐지")
            risk_score_in = gr.Slider(label="7. 고객 위험 점수 (0-100)", minimum=0, maximum=100, value=85)

            use_api_in = gr.Checkbox(label="🤖 5세대 API 호출 (가용시)", value=False)
            submit_btn = gr.Button("🔍 상세 분석 실행", variant="primary")
            
            gr.Examples(
                examples=[
                    [800, 2, "예", 98.0, 150.0, "탐지", 60],     # 계좌 탈취(AT)
                    [1500, 14, "예", 30.0, 1.5, "미탐지", 88],  # 대포통장 전달
                    [45, 18, "아니오", 5.0, 300.0, "미탐지", 20] # 정상 거래
                ],
                inputs=[amount_in, hour_in, payee_in, balance_ratio_in, time_delta_in, remote_in, risk_score_in]
            )

        with gr.Column(scale=2):
            output_html = gr.HTML("<div style='padding:20px; text-align:center;'>좌측에서 조건을 선택하고 분석을 실행하세요.<br><br>각 세대별 상세 연산 및 시각화는 <b>[🔍 상세내역 펼치기]</b>를 클릭하여 볼 수 있습니다.</div>")

    submit_btn.click(
        fn=analyze_transaction,
        inputs=[amount_in, hour_in, payee_in, balance_ratio_in, time_delta_in, remote_in, risk_score_in, use_api_in],
        outputs=output_html
    )

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860, show_error=True)