Upload app.py

app.py

@@ -0,0 +1,111 @@
+import pandas as pd
+import numpy as np
+import mlflow
+import mlflow.pyfunc
+import logging
+import os
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+from contextlib import asynccontextmanager
+
+# --- Configuration ---
+
+# Configuration des logs
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+# Configuration de MLflow (à faire une seule fois)
+# Assurez-vous que cette variable d'environnement est bien définie où l'API tourne
+# Pour Hugging Face, il peut être nécessaire de s'authentifier avec un token.
+# os.environ['HF_TOKEN'] = "votre_token_hugging_face"
+os.environ["MLFLOW_TRACKING_URI"] = "https://ericjedha-getaround.hf.space"
+# Alternativement, vous pouvez le mettre en dur ici si c'est plus simple pour le debug
+# mlflow.set_tracking_uri("https://ericjedha-getaround.hf.space")
+
+# ID du modèle à charger
+LOGGED_MODEL_URI = 'runs:/3b12ae0ccd3648d3888571e25e22f500/model'
+
+# Dictionnaire pour contenir notre modèle chargé
+ml_models = {}
+
+# --- Événements de démarrage et d'arrêt de l'API (Lifespan) ---
+
+@asynccontextmanager
+async def lifespan(app: FastAPI):
+    # Code exécuté au démarrage de l'application
+    logger.info("Démarrage de l'application API...")
+    try:
+        logger.info(f"Chargement du modèle depuis: {LOGGED_MODEL_URI}")
+        # Charge le modèle et le stocke dans le dictionnaire
+        ml_models['getaround_predictor'] = mlflow.pyfunc.load_model(LOGGED_MODEL_URI)
+        logger.info("Modèle chargé avec succès.")
+    except Exception as e:
+        logger.error(f"Erreur lors du chargement du modèle au démarrage : {e}")
+        # Si le modèle ne charge pas, l'API ne devrait pas démarrer correctement
+        # ou au moins signaler qu'elle est dans un état dégradé.
+        ml_models['getaround_predictor'] = None
+    
+    yield
+    
+    # Code exécuté à l'arrêt de l'application
+    logger.info("Arrêt de l'application API.")
+    ml_models.clear()
+
+
+# --- Initialisation de l'API avec le lifespan ---
+
+app = FastAPI(lifespan=lifespan)
+
+# --- Modèle de données Pydantic pour la requête ---
+
+class Item(BaseModel):
+    model_key: str
+    mileage: int 
+    engine_power: int 
+    fuel: str
+    paint_color: str
+    car_type: str
+    private_parking_available: int
+    has_gps: int
+    has_air_conditioning: int
+    automatic_car: int
+    has_getaround_connect: int
+    has_speed_regulator: int
+    winter_tires: int
+
+# --- Endpoint de prédiction ---
+
+@app.post("/predict/")
+async def predict(item: Item):
+    # Vérifier si le modèle a bien été chargé au démarrage
+    if 'getaround_predictor' not in ml_models or ml_models['getaround_predictor'] is None:
+        logger.error("Le modèle n'a pas pu être chargé. L'endpoint de prédiction n'est pas disponible.")
+        raise HTTPException(status_code=503, detail="Service indisponible: le modèle de prédiction n'est pas chargé.")
+
+    try:
+        # Créer un DataFrame à partir des données de la requête
+        # La méthode `model_dump()` de Pydantic est plus sûre que de reconstruire le dict à la main
+        car_df = pd.DataFrame([item.model_dump()])
+        
+        logger.info(f"Données reçues pour la prédiction : \n{car_df.to_string()}")
+
+        # Utiliser le modèle déjà en mémoire pour faire la prédiction
+        prediction = ml_models['getaround_predictor'].predict(car_df)
+        
+        # Formater la réponse
+        # `.tolist()[0]` est une bonne pratique pour extraire la première valeur d'un array numpy
+        response = {"prediction": prediction.tolist()[0]}
+        
+        logger.info(f"Prédiction effectuée : {response}")
+        return response
+
+    except Exception as e:
+        logger.error(f"Erreur lors de la prédiction : {e}")
+        # Il est utile de logguer l'erreur complète pour le débogage
+        import traceback
+        logger.error(traceback.format_exc())
+        raise HTTPException(status_code=500, detail=f"Erreur serveur lors de la prédiction : {str(e)}")
+
+@app.get("/")
+def read_root():
+    return {"message": "Bienvenue sur l'API de prédiction GetAround"}