Dockerfile

# ==========================================================================
# CHRONOFLUX con IA semántica (NLP) — imagen para Hugging Face Spaces (Docker)
# Instala el proyecto + PyTorch (CPU) + Transformers y deja el modelo NLP listo.
# ==========================================================================
FROM python:3.12-slim

# Hugging Face Spaces ejecuta el contenedor como usuario no-root (UID 1000).
RUN useradd -m -u 1000 user

# Librería del sistema que PyTorch necesita en CPU.
RUN apt-get update && apt-get install -y --no-install-recommends libgomp1 \
 && rm -rf /var/lib/apt/lists/*

USER user
ENV HOME=/home/user \
    PATH=/home/user/.local/bin:$PATH \
    PYTHONUNBUFFERED=1 \
    PORT=7860 \
    HF_HOME=/home/user/.cache/huggingface

WORKDIR /home/user/app

# 1) Dependencias base del proyecto (sin IA).
COPY --chown=user requirements.txt .
RUN pip install --no-cache-dir --upgrade pip \
 && pip install --no-cache-dir -r requirements.txt

# 2) IA semántica: PyTorch (versión CPU, mucho más liviana) + Transformers.
RUN pip install --no-cache-dir --index-url https://download.pytorch.org/whl/cpu torch \
 && pip install --no-cache-dir transformers

# 3) Pre-descarga del modelo NLP zero-shot ANTES de copiar el código, para que esta
#    capa quede cacheada y las futuras actualizaciones de código reconstruyan rápido.
#    Si el modelo no estuviera disponible, el build NO falla: el sistema usará el
#    fallback por palabras clave descrito en la tesis.
RUN python -c "from transformers import pipeline; pipeline('zero-shot-classification', model='Recognai/zeroshot_selectra_medium')" \
 || echo "Modelo NLP no pre-cargado; se descargará en tiempo de ejecución."

# 4) Resto del código.
COPY --chown=user . .

EXPOSE 7860
CMD ["python", "-m", "web.main"]