first commit

Dockerfile

@@ -0,0 +1,24 @@
+# Image de base
+FROM python:3.10-slim
+
+# Définir le répertoire de travail
+WORKDIR /app
+
+# Installer les dépendances système utiles (optionnel mais pratique pour scikit-learn, xgboost etc.)
+RUN apt-get update && apt-get install -y \
+    build-essential \
+    libpq-dev \
+    && rm -rf /var/lib/apt/lists/*
+
+# Copier requirements.txt et installer
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Copier ton code
+COPY . .
+
+
+EXPOSE 7860
+
+# Lancer FastAPI avec Uvicorn
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,95 @@
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+from typing import Literal
+import pandas as pd
+import boto3
+import joblib
+import os
+import io
+
+# === Initialisation FastAPI ===
+app = FastAPI(
+    title="Fraude Détection API",
+    description="""
+### 🎯 Description  
+Cette API permet de détecter automatiquement les transactions potentiellement frauduleuses en se basant sur un modèle de machine learning entraîné avec des données historiques de paiements.
+
+Elle reçoit en entrée les caractéristiques complètes d’une transaction bancaire (hors identifiants techniques comme Unnamed: 0 et trans_num), puis renvoie une prédiction :
+
+1 → transaction frauduleuse
+
+0 → transaction légitime
+
+Le modèle est chargé dynamiquement depuis le registre de modèles MLflow (ou S3), garantissant une traçabilité complète et une mise à jour continue.
+
+🧾 Champs d’entrée attendus (JSON)
+Champ	Type	Description
+cc_num	float	Numéro de carte anonymisé
+merchant	string	Nom du commerçant ou de l’établissement
+category	string	Catégorie du commerçant (ex : "gas_transport", "shopping_net", "travel")
+amt	float	Montant de la transaction
+first	string	Prénom du client
+last	string	Nom du client
+gender	string	Sexe du client ("M" ou "F")
+street	string	Adresse postale du client
+city	string	Ville du client
+state	string	Code État ou Région (ex : "TX", "CA")
+zip	int	Code postal
+lat	float	Latitude du domicile
+long	float	Longitude du domicile
+city_pop	int	Population de la ville
+job	string	Profession du client
+dob	string (YYYY-MM-DD)	Date de naissance du client
+merch_lat	float	Latitude du commerçant
+merch_long	float	Longitude du commerçant
+current_time	string (YYYY-MM-DD HH:MM:SS)	Horodatage de la transaction
+""",
+version="1.0"
+)
+
+# === Schéma attendu pour l'entrée ===
+
+# === Configuration S3 ===
+S3_BUCKET = os.getenv("S3_BUCKET")
+MODEL_KEY = os.getenv("MODEL_KEY")
+s3 = boto3.client("s3")
+
+# === Chargement du modèle depuis S3 au démarrage ===
+model = None
+
+@app.on_event("startup")
+def load_model():
+    global model
+    try:
+        print(f"Téléchargement du modèle depuis s3://{S3_BUCKET}/{MODEL_KEY}")
+        response = s3.get_object(Bucket=S3_BUCKET, Key=MODEL_KEY)
+        model_bytes = io.BytesIO(response["Body"].read())
+        model = joblib.load(model_bytes)
+        print("✅ Modèle chargé avec succès")
+    except Exception as e:
+        print(f"❌ Erreur chargement modèle : {e}")
+        raise RuntimeError(f"Impossible de charger le modèle : {e}")
+
+# === Routes ===
+@app.get("/")
+def home():
+    return {"message": "Bienvenue sur l'API Fraude détéction - Utilisez /predict pour faire une prédiction"}
+
+@app.post("/predict")
+def predict(data: BaseModel):
+    try:
+        # Convertir les données en DataFrame avec colonnes correctes
+        df = pd.DataFrame([data.dict()])
+        print("📥 Données reçues :", df.to_dict())
+
+        # Faire la prédiction
+        prediction = model.predict(df)
+        is_fraud = int(prediction[0])
+
+        return {"is_fraud": is_fraud}
+
+    except Exception as e:
+        print(f"❌ Erreur prédiction : {e}")
+        raise HTTPException(status_code=500, detail=str(e))
+    
+    

requirements.txt

@@ -0,0 +1,8 @@
+fastapi
+uvicorn
+boto3
+joblib
+scikit-learn
+xgboost
+pandas
+python-dotenv