Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,40 +1,339 @@
-import altair as alt
-import numpy as np
-import pandas as pd
 import streamlit as st
+import pandas as pd
+import json
+from typing import Any, Dict
+
+from agent import build_agent, chat, ml_predict  # ton fichier agent.py
+
+# ========== CONFIG STREAMLIT ==========
+st.set_page_config(
+    page_title="GENAI – Banking Lab",
+    page_icon="🤖",
+    layout="wide"
+)
+
+# ========== SESSION STATE ==========
+if "agent" not in st.session_state:
+    st.session_state.agent = build_agent()
+
+if "messages" not in st.session_state:
+    st.session_state.messages = []  # [{"role": "user"/"assistant", "content": "..."}]
+
+if "uploaded_df" not in st.session_state:
+    st.session_state.uploaded_df = None
+
+agent = st.session_state.agent
+
+# ========= PAGE HEADER GLOBAL =========
+st.title("GENAI – Banking Lab")
+
+# ========= NAVIGATION PAR ONGLET EN HAUT =========
+tab_eda, tab_ml, tab_chat = st.tabs(["📊 EDA", "🔮 Prédiction ML", "💬 Chatbot"])
+
+# ==================== PAGE 1 : EDA ====================
+with tab_eda:
+    st.header("📊 Analyse Exploratoire – Risque Crédit")
+
+    st.markdown(
+        """
+        Explore les caractéristiques des clients et comprends les patterns associés au **risque de défaut**.
+        """
+    )
+
+    # ================= CHARGEMENT CSV =================
+    uploaded_file = st.file_uploader("📂 Charger un fichier CSV (dataset crédit)", type=["csv"])
+
+    if uploaded_file:
+        df = pd.read_csv(uploaded_file)
+        st.session_state.uploaded_df = df
+    else:
+        df = st.session_state.uploaded_df if st.session_state.uploaded_df is not None else None
+
+    if df is None:
+        st.info("👉 Charge un fichier CSV pour commencer l'analyse.")
+        st.stop()
+
+    st.success(f"Dataset chargé : **{df.shape[0]} lignes**, **{df.shape[1]} colonnes**")
+
+    # ================= APERCU =================
+    st.markdown("### 👀 Aperçu du dataset")
+    st.dataframe(df.head(), use_container_width=True)
+
+    # ================= INDICATEURS GLOBAUX =================
+    default_rate = df["default"].mean() * 100
+    colA, colB, colC = st.columns(3)
+    colA.metric("Taux de défaut global", f"{default_rate:.1f} %")
+    colB.metric("Clients sains", f"{(df['default']==0).sum()}")
+    colC.metric("Clients en défaut", f"{(df['default']==1).sum()}")
+
+    st.markdown("---")
+
+    # ================= DISTRIBUTIONS PAR DEFAUT =================
+    st.markdown("## 📈 Variables clés vs défaut")
+
+    numeric_cols = [
+        "fico_score", "debt_ratio", "income", "years_employed",
+        "loan_amt_outstanding", "total_debt_outstanding"
+    ]
+
+    var = st.selectbox("Choisis une variable à explorer :", numeric_cols)
+
+    import altair as alt
+    chart = alt.Chart(df).mark_bar(opacity=0.7).encode(
+        x=alt.X(var, bin=alt.Bin(maxbins=30)),
+        y="count()",
+        color=alt.Color("default:N", legend=alt.Legend(title="Default (0=OK, 1=Défaut)"))
+    ).properties(width=650, height=350)
+
+    st.altair_chart(chart)
+
+    st.markdown("---")
+
+    # ================= CORRÉLATION =================
+    st.markdown("## 🔗 Matrice de corrélation")
+
+    corr = df.corr(numeric_only=True)
+    st.dataframe(corr.style.background_gradient(cmap="Reds"), use_container_width=True)
+
+    # Top variables explicatives
+    st.markdown("### 🥇 Variables les plus corrélées avec le défaut")
+
+    corr_default = corr["default"].drop("default").sort_values(ascending=False)
+    st.bar_chart(corr_default)
+
+    st.markdown("---")
+
+    # ================= SCATTERPLOT =================
+    st.markdown("## 🧭 Scatterplot – localiser les zones à risque")
+
+    x_var = st.selectbox("Axe X", numeric_cols, index=2)
+    y_var = st.selectbox("Axe Y", numeric_cols, index=0)
+
+    scatter = alt.Chart(df).mark_circle(size=60, opacity=0.6).encode(
+        x=x_var,
+        y=y_var,
+        color=alt.Color("default:N", legend=alt.Legend(title="Défaut")),
+        tooltip=["income", "fico_score", "debt_ratio", "default"]
+    ).properties(width=750, height=450)
+
+    st.altair_chart(scatter)
+
+    st.success("Analyse EDA terminée ✔️")
+
+
+# ==================== PAGE 2 : FORMULAIRE PRÉDICTION ML ====================
+with tab_ml:
+    st.header("🔮 Prédiction de risque via le modèle ML (.pkl sur S3)")
+
+    st.markdown(
+        """
+        Remplis ce **questionnaire** : nous estimons ensuite le risque de défaut du client,  
+        et nous t’affichons une explication claire et visuelle.
+        """
+    )
+
+    col_left, col_right = st.columns([1, 1])
+
+    # ========================= FORMULAIRE =========================
+    with col_left:
+        st.markdown("### 🎯 Profil client / crédit")
+
+        credit_lines = st.number_input(
+            "Lignes de crédit ouvertes (credit_lines_outstanding)",
+            min_value=0, max_value=50, value=5
+        )
+
+        loan_amt = st.number_input(
+            "Montant du prêt en cours (€) – loan_amt_outstanding",
+            min_value=0, max_value=1_000_000, value=15_000, step=1_000
+        )
+
+        total_debt = st.number_input(
+            "Dette totale actuelle (€) – total_debt_outstanding",
+            min_value=0, max_value=1_000_000, value=25_000, step=1_000
+        )
+
+        income = st.number_input(
+            "Revenu annuel (€) – income",
+            min_value=1, max_value=1_000_000, value=60_000, step=1_000
+        )
+
+        years = st.number_input(
+            "Ancienneté dans l'emploi (années) – years_employed",
+            min_value=0, max_value=50, value=10
+        )
+
+        fico = st.number_input(
+            "Score FICO – fico_score",
+            min_value=300, max_value=850, value=720
+        )
+
+        debt_ratio = total_debt / income if income > 0 else 0.0
+        st.metric("Debt ratio calculé", f"{debt_ratio:.2f}")
+
+        default_payload = {
+            "credit_lines_outstanding": credit_lines,
+            "loan_amt_outstanding": loan_amt,
+            "total_debt_outstanding": total_debt,
+            "income": income,
+            "years_employed": years,
+            "fico_score": fico,
+            "debt_ratio": debt_ratio
+        }
+
+    # ========================= JSON EDITABLE =========================
+    with col_right:
+        st.markdown("### 🧾 Payload JSON (optionnel)")
+
+        st.caption("Tu peux garder ce JSON tel quel ou l’ajuster manuellement avant la prédiction.")
+
+        payload_str = st.text_area(
+            "Payload envoyé à `ml_predict` :",
+            value=json.dumps(default_payload, indent=2),
+            height=260
+        )
+
+        lancer = st.button("🚀 Lancer la prédiction ML", type="primary")
+
+    # ========================= PRÉDICTION & AFFICHAGE UX =========================
+    if lancer:
+        try:
+            payload = json.loads(payload_str)
+        except json.JSONDecodeError as e:
+            st.error(f"JSON invalide : {e}")
+            payload = None
+
+        if payload is not None:
+            with st.spinner("Analyse du risque par le modèle…"):
+                try:
+                    raw = ml_predict.invoke({"payload": payload})
+                except Exception as e:
+                    st.error(f"Erreur lors de l’appel de ml_predict : {e}")
+                    raw = None
+
+            if raw is not None:
+                # On essaye de parser le JSON retourné par le tool
+                prediction = None
+                try:
+                    parsed = json.loads(raw)
+                    prediction = parsed.get("prediction", {})
+                except Exception:
+                    prediction = None
+
+                if prediction is None or not isinstance(prediction, dict):
+                    st.error("La réponse du modèle n’est pas dans le format attendu.")
+                    st.code(raw, language="json")
+                else:
+                    label_name = prediction.get("label_name", "Résultat inconnu")
+                    risk_level = prediction.get("risk_level", "inconnu")
+                    proba_default = prediction.get("proba_default", None)
+                    explanation = prediction.get("explanation", "")
+                    features_used = prediction.get("features_used", [])
+
+                    # --------- Traduction du niveau de risque en jauge ----------
+                    if isinstance(proba_default, (float, int)):
+                        proba_pct = max(0.0, min(float(proba_default), 1.0)) * 100
+                    else:
+                        # fallback selon risk_level
+                        mapping = {"faible": 15.0, "modéré": 35.0, "élevé": 70.0}
+                        proba_pct = mapping.get(risk_level, 50.0)
+
+                    # Couleur / emoji selon le risque
+                    if risk_level == "faible":
+                        emoji = "🟢"
+                        texte_risque = "Risque faible"
+                    elif risk_level == "modéré":
+                        emoji = "🟠"
+                        texte_risque = "Risque modéré"
+                    elif risk_level == "élevé":
+                        emoji = "🔴"
+                        texte_risque = "Risque élevé"
+                    else:
+                        emoji = "⚪"
+                        texte_risque = "Risque non déterminé"
+
+                    st.markdown("---")
+                    st.subheader("🧠 Résultat de l’analyse du modèle")
+
+                    # Bloc résumé pour un client
+                    col_r1, col_r2 = st.columns([2, 1])
+                    with col_r1:
+                        st.markdown(
+                            f"""
+                            **Verdict : {emoji} {label_name}**  
+                            **Niveau de risque : {texte_risque}**
+                            """
+                        )
+                        if isinstance(proba_default, (float, int)):
+                            st.markdown(
+                                f"Le modèle estime une probabilité de défaut d’environ **{proba_pct:.1f}%**."
+                            )
+                        if explanation:
+                            st.markdown(f"📝 *{explanation}*")
+
+                    with col_r2:
+                        st.markdown("### 📊 Jauge de risque")
+                        st.progress(int(proba_pct))
+
+                    # Features utilisées – version simple
+                    if features_used:
+                        st.markdown("### 🔍 Variables prises en compte")
+                        st.write(", ".join(features_used))
+
+                    # Détails techniques en expander
+                    with st.expander("🔧 Détails techniques / JSON brut"):
+                        st.markdown("**Réponse brute du tool `ml_predict` :**")
+                        st.code(raw, language="json")
+                        try:
+                            st.markdown("**Vue JSON parsée :**")
+                            st.json(parsed)
+                        except Exception:
+                            pass
+
+    st.markdown("---")
+    st.caption(
+        "💡 Astuce : cette page sert pour les utilisateurs métier. "
+        "Les développeurs peuvent récupérer le payload et la réponse brute dans l’expander."
+    )
+
+
+# ==================== PAGE 3 : CHATBOT ====================
+with tab_chat:
+    st.header("💬 Chat avec l’agent (web + RAG + ML)")
+
+    st.markdown(
+        """
+        Exemple de requêtes :
+        - *“Résume-moi les frais de tenue de compte pour un non résident.”*  
+        - *“Utilise `rag_search` pour extraire les tarifs de découvert.”*  
+        - *“Appelle `ml_predict` avec {'credit_lines_outstanding': 5, ...} et explique le résultat.”*
+        """
+    )
+
+    # Affichage de l'historique
+    for msg in st.session_state.messages:
+        with st.chat_message(msg["role"]):
+            st.markdown(msg["content"])
+
+    # Champ d'entrée
+    prompt = st.chat_input("Pose une question à l’agent…")
+
+    if prompt:
+        # 1. Ajout du message utilisateur
+        st.session_state.messages.append({"role": "user", "content": prompt})
+
+        with st.chat_message("user"):
+            st.markdown(prompt)
+
+        # 2. Appel agent AVEC L’HISTORIQUE COMPLET
+        with st.chat_message("assistant"):
+            with st.spinner("L’agent réfléchit…"):
+                try:
+                    answer = chat(agent, st.session_state.messages)
+                except Exception as e:
+                    answer = f"❌ ERREUR agent: {e}"
+
+                st.markdown(answer)
 
-"""
-# Welcome to Streamlit!
-
-Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
-
-In the meantime, below is an example of what you can do with just a few lines of code:
-"""
-
-num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
-num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
-
-indices = np.linspace(0, 1, num_points)
-theta = 2 * np.pi * num_turns * indices
-radius = indices
-
-x = radius * np.cos(theta)
-y = radius * np.sin(theta)
-
-df = pd.DataFrame({
-    "x": x,
-    "y": y,
-    "idx": indices,
-    "rand": np.random.randn(num_points),
-})
-
-st.altair_chart(alt.Chart(df, height=700, width=700)
-    .mark_point(filled=True)
-    .encode(
-        x=alt.X("x", axis=None),
-        y=alt.Y("y", axis=None),
-        color=alt.Color("idx", legend=None, scale=alt.Scale()),
-        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
-    ))
+        # 3. Ajout de la réponse assistant dans la mémoire
+        st.session_state.messages.append({"role": "assistant", "content": answer})