Add RandomRealisticClassifier class to inference_service for demo classifier loading

inference_service.py

@@ -5,6 +5,7 @@ import librosa
 import joblib
 import soundfile as sf
 import openl3  # <- OpenL3 pour embeddings audio
+from sklearn.base import BaseEstimator, ClassifierMixin
 
 # ============================================================
 # Configuration générale
@@ -20,6 +21,65 @@ CLIP_OVERLAP_PERCENT = 10
 CLIP_IGNORE_SILENT_CLIPS = True
 SILENCE_RMS_THRESHOLD_DB = -50
 
+# ============================================================
+# Classifier de démonstration (pour tests)
+# ============================================================
+
+class RandomRealisticClassifier(BaseEstimator, ClassifierMixin):
+    """
+    Classifier qui génère des scores aléatoires mais réalistes
+    - Low: 0.0 - 0.4 (40% des cas)
+    - Moderate: 0.4 - 0.7 (35% des cas)
+    - High: 0.7 - 1.0 (25% des cas)
+    """
+    def __init__(self, random_state=None):
+        self.random_state = random_state
+        self.classes_ = np.array([0, 1])
+    
+    def fit(self, X, y):
+        """Fake fit - ne fait rien"""
+        return self
+    
+    def predict(self, X):
+        """Génère des prédictions basées sur les probabilités"""
+        probas = self.predict_proba(X)
+        return (probas[:, 1] > 0.5).astype(int)
+    
+    def predict_proba(self, X):
+        """
+        Génère des probabilités aléatoires réalistes
+        """
+        n_samples = X.shape[0]
+        rng = np.random.RandomState(self.random_state)
+        
+        # Générer des scores pour chaque sample
+        scores = []
+        for i in range(n_samples):
+            # Utiliser les features pour créer une "seed" unique par sample
+            seed = int(np.abs(np.sum(X[i]) * 1000)) % 1000000
+            sample_rng = np.random.RandomState(seed)
+            
+            # Choisir une catégorie aléatoirement
+            category = sample_rng.choice(['low', 'moderate', 'high'], 
+                                        p=[0.40, 0.35, 0.25])
+            
+            if category == 'low':
+                # Low: 0.05 - 0.40
+                score = sample_rng.uniform(0.05, 0.40)
+            elif category == 'moderate':
+                # Moderate: 0.40 - 0.70
+                score = sample_rng.uniform(0.40, 0.70)
+            else:  # high
+                # High: 0.70 - 0.95
+                score = sample_rng.uniform(0.70, 0.95)
+            
+            scores.append(score)
+        
+        scores = np.array(scores)
+        # Retourner les probabilités pour [classe 0, classe 1]
+        probas = np.column_stack([1 - scores, scores])
+        return probas
+
 # ============================================================
 # Utilitaire de test
 # ============================================================