Deploy: Backend IA v1.0 avec secrets

app.py

@@ -0,0 +1,274 @@
+
+
+
+
+
+
+
+# # version update
+# import os
+# import pickle
+# import threading
+# from flask import Flask, request, jsonify
+# from flask_cors import CORS
+# from supabase import create_client, Client
+# from sentence_transformers import SentenceTransformer
+# from sklearn.metrics.pairwise import cosine_similarity
+# import resend
+
+# app = Flask(__name__)
+# CORS(app) 
+
+# # ==========================================
+# # ⚠️ CONFIGURATION (À VÉRIFIER)
+# # ==========================================
+# SUPABASE_URL = "https://dvddftdtrkidsulcxaqp.supabase.co"
+# SUPABASE_KEY = "sb_secret_CoFpwT9q6IrR-lfzjXynKg_DCoyB8F0" #
+# resend.api_key = "re_CYUPs5Nt_A3L3t2EDX1UT5JbBLLycqTHM"     #
+
+# supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY)
+
+# print("⏳ Chargement du modèle IA...")
+# model_ia = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2') #
+
+# def load_vectors():
+#     with open("opportunities_vectors.pkl", "rb") as f: #
+#         return pickle.load(f)
+
+# vector_data = load_vectors()
+
+# # 📧 Notification Email en Arrière-plan
+# def send_email_background(nom, email, domaine, opportunites):
+#     # C'est cette ligne qui définit le nom vu par l'utilisateur
+#     # sender_email = "EduConnect Afrika <contact@educonnectafrika.com>"
+#     sender_email = "EduConnect Afrika <contact@afriaisolutions.com>"
+
+    
+#     bourses_html = "".join([
+#         f"<li style='margin-bottom: 10px;'><strong>[{b.get('type', 'Opportunité')}] {b.get('titre', '')}</strong> - 📍 {b.get('pays', 'En ligne')}</li>" 
+#         for b in opportunites
+#     ])
+
+#     try:
+#         resend.Emails.send({
+#             "from": sender_email,
+#             "to": email,
+#             "subject": f"🎯 Vos opportunités en {domaine} sont prêtes !",
+#             "html": f"""
+#                 <div style="font-family: Arial, sans-serif; border: 1px solid #e2e8f0; padding: 25px; border-radius: 20px; max-width: 600px; color: #1e293b;">
+#                     <h2 style="color: #1e40af;">Félicitations {nom} !</h2>
+#                     <p>Notre IA a analysé votre profil. Voici les meilleures opportunités pour vous :</p>
+#                     <ul style="background-color: #f8fafc; padding: 20px; border-radius: 12px; list-style-type: none;">
+#                         {bourses_html}
+#                     </ul>
+#                     <p>Accédez à votre espace pour postuler :</p>
+#                     <div style="text-align: center; margin: 30px 0;">
+#                         <a href="http://localhost:8080" style="background-color: #2563eb; color: white; padding: 12px 25px; text-decoration: none; border-radius: 10px; font-weight: bold;">Accéder au Dashboard</a>
+#                     </div>
+#                     <hr style="border: 0; border-top: 1px solid #e2e8f0; margin: 20px 0;">
+#                     <p style="font-size: 11px; color: #64748b; text-align: center;">
+#                         <strong>EduConnect Afrika</strong><br>
+#                         L'avenir de l'orientation académique en Afrique.<br>
+#                         Responsable : Lauryane
+#                     </p>
+#                 </div>
+#             """
+#         })
+#         print(f"✅ Email envoyé avec succès via EduConnect à {email}")
+#     except Exception as e:
+#         print(f"❌ Erreur d'envoi : {e}")
+
+# @app.route('/api/recommend', methods=['POST'])
+# def get_recommendations():
+#     data = request.json
+#     user_id = data.get('user_id')
+
+#     try:
+#         # 1. Profil utilisateur
+#         res_profile = supabase.table('profiles').select('*').eq('user_id', user_id).execute()
+#         if not res_profile.data: return jsonify({"error": "Profil introuvable"}), 404
+            
+#         user = res_profile.data[0]
+#         filiere = user.get('filiere') or "votre domaine"
+#         nom_etudiant = user.get('name') or "Étudiant"
+#         email_etudiant = user.get('email')
+
+#         # 2. Vectorisation du profil
+#         profil_text = f"Niveau: {user.get('niveau')}. Domaine: {filiere}. Intérêts: {user.get('interets')}."
+#         user_vector = model_ia.encode([profil_text])
+
+#         # 3. Similarité et Scoring
+#         similarities = cosine_similarity(user_vector, vector_data["vectors"])[0]
+#         top_indices = similarities.argsort()[-15:][::-1] # On prend un peu plus pour mixer
+        
+#         scores_dict = {int(vector_data["ids"][idx]): min(0.99, float(similarities[idx]) + 0.35) for idx in top_indices}
+
+#         # 4. Récupération unifiée des opportunités
+#         top_ids = list(scores_dict.keys())
+#         res_opps = supabase.table('opportunities').select('*').in_('id', top_ids).execute()
+        
+#         recommandations = []
+#         for opp in res_opps.data:
+#             opp['score_ia'] = scores_dict[opp['id']]
+#             recommandations.append(opp)
+
+#         # Tri final par score
+#         recommandations = sorted(recommandations, key=lambda x: x['score_ia'], reverse=True)
+
+#         # 🚀 5. Email en arrière-plan
+#         if email_etudiant:
+#             thread = threading.Thread(target=send_email_background, args=(nom_etudiant, email_etudiant, filiere, recommandations[:3]))
+#             thread.start()
+
+#         return jsonify({"status": "success", "recommandations": recommandations})
+
+#     except Exception as e:
+#         print(f"❌ Erreur: {e}")
+#         return jsonify({"error": str(e)}), 500
+
+# if __name__ == '__main__':
+#     app.run(port=5000, debug=True)
+
+
+
+
+
+
+# code pour la prod
+# version update - Sécurisée pour Hugging Face Spaces
+import os
+import pickle
+import threading
+from flask import Flask, request, jsonify
+from flask_cors import CORS
+from supabase import create_client, Client
+from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+import resend
+
+app = Flask(__name__)
+# Autorise ton frontend Vercel à appeler cette API
+CORS(app) 
+
+# ==========================================
+# 🔐 CONFIGURATION SÉCURISÉE (VIA SECRETS HF)
+# ==========================================
+# On récupère les clés depuis l'environnement du serveur
+SUPABASE_URL = os.getenv("SUPABASE_URL")
+SUPABASE_KEY = os.getenv("SUPABASE_KEY")
+resend.api_key = os.getenv("RESEND_API_KEY")
+
+# Vérification au démarrage pour éviter les crashs silencieux
+if not SUPABASE_URL or not SUPABASE_KEY:
+    print("❌ ERREUR : Les variables d'environnement Supabase sont manquantes !")
+
+supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY)
+
+print("⏳ Chargement du modèle IA (paraphrase-multilingual)...")
+model_ia = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
+
+def load_vectors():
+    try:
+        with open("opportunities_vectors.pkl", "rb") as f:
+            return pickle.load(f)
+    except FileNotFoundError:
+        print("❌ ERREUR : Le fichier opportunities_vectors.pkl est introuvable !")
+        return None
+
+vector_data = load_vectors()
+
+# 📧 Notification Email en Arrière-plan
+def send_email_background(nom, email, domaine, opportunites):
+    # Expéditeur utilisant ton domaine afriaisolutions.com validé sur Resend
+    sender_email = "EduConnect Afrika <contact@afriaisolutions.com>"
+    
+    bourses_html = "".join([
+        f"<li style='margin-bottom: 10px;'><strong>[{b.get('type', 'Opportunité')}] {b.get('titre', '')}</strong> - 📍 {b.get('pays', 'En ligne')}</li>" 
+        for b in opportunites
+    ])
+
+    try:
+        resend.Emails.send({
+            "from": sender_email,
+            "to": email,
+            "subject": f"🎯 Vos opportunités en {domaine} sont prêtes !",
+            "html": f"""
+                <div style="font-family: Arial, sans-serif; border: 1px solid #e2e8f0; padding: 25px; border-radius: 20px; max-width: 600px; color: #1e293b;">
+                    <h2 style="color: #1e40af;">Félicitations {nom} !</h2>
+                    <p>Notre IA a analysé votre profil. Voici les meilleures opportunités pour vous :</p>
+                    <ul style="background-color: #f8fafc; padding: 20px; border-radius: 12px; list-style-type: none;">
+                        {bourses_html}
+                    </ul>
+                    <p>Accédez à votre espace pour postuler :</p>
+                    <div style="text-align: center; margin: 30px 0;">
+                        <a href="https://app.educonnectafrika.com" style="background-color: #2563eb; color: white; padding: 12px 25px; text-decoration: none; border-radius: 10px; font-weight: bold;">Accéder au Dashboard</a>
+                    </div>
+                    <hr style="border: 0; border-top: 1px solid #e2e8f0; margin: 20px 0;">
+                    <p style="font-size: 11px; color: #64748b; text-align: center;">
+                        <strong>EduConnect Afrika</strong><br>
+                        L'avenir de l'orientation académique en Afrique.<br>
+                        Responsable : Lauryane
+                    </p>
+                </div>
+            """
+        })
+        print(f"✅ Email envoyé avec succès à {email}")
+    except Exception as e:
+        print(f"❌ Erreur d'envoi Resend : {e}")
+
+@app.route('/api/recommend', methods=['POST'])
+def get_recommendations():
+    data = request.json
+    user_id = data.get('user_id')
+
+    if not user_id:
+        return jsonify({"error": "user_id manquant"}), 400
+
+    try:
+        # 1. Récupération du profil
+        res_profile = supabase.table('profiles').select('*').eq('user_id', user_id).execute()
+        if not res_profile.data: 
+            return jsonify({"error": "Profil introuvable"}), 404
+            
+        user = res_profile.data[0]
+        filiere = user.get('filiere') or "votre domaine"
+        nom_etudiant = user.get('name') or "Étudiant"
+        email_etudiant = user.get('email')
+
+        # 2. Vectorisation du profil utilisateur
+        profil_text = f"Niveau: {user.get('niveau')}. Domaine: {filiere}. Intérêts: {user.get('interets')}."
+        user_vector = model_ia.encode([profil_text])
+
+        # 3. Calcul de similarité (Cosine Similarity)
+        similarities = cosine_similarity(user_vector, vector_data["vectors"])[0]
+        top_indices = similarities.argsort()[-15:][::-1] 
+        
+        # Scoring IA ajusté
+        scores_dict = {int(vector_data["ids"][idx]): min(0.99, float(similarities[idx]) + 0.35) for idx in top_indices}
+
+        # 4. Récupération des données depuis Supabase
+        top_ids = list(scores_dict.keys())
+        res_opps = supabase.table('opportunities').select('*').in_('id', top_ids).execute()
+        
+        recommandations = []
+        for opp in res_opps.data:
+            opp['score_ia'] = scores_dict[opp['id']]
+            recommandations.append(opp)
+
+        # Tri final par score décroissant
+        recommandations = sorted(recommandations, key=lambda x: x['score_ia'], reverse=True)
+
+        # 🚀 5. Notification Email (Asynchrone via Threading)
+        if email_etudiant:
+            thread = threading.Thread(target=send_email_background, args=(nom_etudiant, email_etudiant, filiere, recommandations[:3]))
+            thread.start()
+
+        return jsonify({"status": "success", "recommandations": recommandations})
+
+    except Exception as e:
+        print(f"❌ Erreur API : {e}")
+        return jsonify({"error": str(e)}), 500
+
+if __name__ == '__main__':
+    # Configuration obligatoire pour Hugging Face Spaces (Port 7860)
+    app.run(host='0.0.0.0', port=7860, debug=False)

email_template.py

@@ -0,0 +1,21 @@
+def get_email_html(user_name, bourses, formations):
+    items_html = ""
+    for _, b in bourses.iterrows():
+        items_html += f"""
+        <div style="padding: 15px; border-left: 4px solid #2563eb; background: #f8fafc; margin-bottom: 10px;">
+            <h4 style="margin: 0; color: #1e3a8a;">{b['institution']}</h4>
+            <p style="font-size: 14px; margin: 5px 0;">🎯 Match : <strong>{int(b['score_ia']*100)}%</strong></p>
+        </div>"""
+    
+    return f"""
+    <div style="font-family: sans-serif; max-width: 600px; margin: auto; border: 1px solid #e2e8f0; padding: 20px; border-radius: 12px;">
+        <h2 style="color: #2563eb;">Bonjour {user_name} ! 🚀</h2>
+        <p>Notre IA a analysé votre profil. Voici les meilleures opportunités pour votre carrière :</p>
+        <h3>🏆 Bourses recommandées</h3>
+        {items_html}
+        <h3>📚 Formations suggérées</h3>
+        <p>Pour renforcer votre dossier, nous vous conseillons : <strong>{formations.iloc[0]['titre']}</strong></p>
+        <hr style="margin-top: 20px; border: 0; border-top: 1px solid #eee;" />
+        <p style="font-size: 12px; color: #64748b;">Propulsé par <strong>AfriAI Solutions</strong></p>
+    </div>
+    """

opportunities_vectors.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a7ef57cdff5adb67a5209d100c390d67b8cffb536d663f30601d9031488cacff
+size 213969

recommender.py

@@ -0,0 +1,69 @@
+import sqlite3
+import pandas as pd
+import pickle
+from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+
+class EduRecommender:
+    def __init__(self, db_path="bourses_reco.db", vector_path="bourses_vectors.pkl"):
+        self.db_path = db_path
+        # 1. Chargement du modèle IA (Une seule fois)
+        print("⏳ Chargement du modèle multilingue...")
+        self.model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
+        
+        # 2. Chargement des vecteurs de bourses
+        with open(vector_path, "rb") as f:
+            data = pickle.load(f)
+            self.bourse_ids = data["ids"]
+            self.bourse_vectors = data["vectors"]
+
+    def _get_connection(self):
+        return sqlite3.connect(self.db_path)
+
+    def recommander_tout(self, user_id, top_n=3):
+        conn = self._get_connection()
+        
+        # --- RÉCUPÉRATION ÉTUDIANT ---
+        user = pd.read_sql(f"SELECT * FROM etudiants WHERE user_id = '{user_id}'", conn).iloc[0]
+        print(f"\n🎯 Analyse pour : {user['nom']} ({user['interet_majeur']})")
+
+        # --- PARTIE 1 : BOURSES (Matching Sémantique) ---
+        # On crée un texte riche pour la recherche
+        texte_recherche = f"Bourse en {user['interet_majeur']} pour niveau {user['niveau_actuel']}"
+        user_vector = self.model.encode([texte_recherche])
+        
+        sim_bourses = cosine_similarity(user_vector, self.bourse_vectors)[0]
+        df_bourses_res = pd.DataFrame({'bourse_id': self.bourse_ids, 'score_ia': sim_bourses})
+        
+        # Jointure SQL pour avoir les détails et filtrer par Statut OUVERT
+        bourses_final = pd.merge(df_bourses_res, pd.read_sql("SELECT * FROM bourses WHERE statut='OUVERT'", conn), on='bourse_id')
+        top_bourses = bourses_final.sort_values(by='score_ia', ascending=False).head(top_n)
+
+        # --- PARTIE 2 : FORMATIONS (Gap Filling) ---
+        df_form = pd.read_sql("SELECT * FROM formations", conn)
+        form_vectors = self.model.encode(df_form['competence_cible'].tolist())
+        
+        sim_form = cosine_similarity(user_interest_vec := self.model.encode([user['interet_majeur']]), form_vectors)[0]
+        df_form['score_formation'] = sim_form
+        top_formations = df_form.sort_values(by='score_formation', ascending=False).head(top_n)
+
+        conn.close()
+        return top_bourses, top_formations
+
+# --- EXÉCUTION DU SYSTÈME ---
+if __name__ == "__main__":
+    # ICI : tu l'as appelé 'recommender' (anglais)
+    recommender = EduRecommender() 
+    
+    conn = sqlite3.connect("bourses_reco.db")
+    test_user_id = pd.read_sql("SELECT user_id FROM etudiants LIMIT 1", conn).iloc[0]['user_id']
+    conn.close()
+
+    # ERREUR ICI : Change 'recommander' en 'recommender' pour matcher l'objet ci-dessus
+    bourses, formations = recommender.recommander_tout(test_user_id) 
+
+    print("\n🏆 TOP BOURSES TROUVÉES :")
+    print(bourses[['institution', 'domaine_principal', 'score_ia']])
+
+    print("\n📚 FORMATIONS SUGGÉRÉES POUR VOTRE PROFIL :")
+    print(formations[['titre', 'plateforme', 'score_formation']])

requirements.txt

@@ -0,0 +1,12 @@
+Flask==3.1.3
+flask-cors==6.0.2
+supabase==2.28.0
+resend==2.23.0
+sentence-transformers==5.2.3
+pandas==2.3.3
+numpy==2.2.6
+python-dotenv==1.0.1
+torch==2.10.0
+transformers==5.2.0
+scikit-learn==1.7.2
+gunicorn