openclassroom-ai/oc-p07-sentiment-api
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

Added 5 minutes error_report condition

Browse source
This commit is contained in:
Grégoire Mureau 2025-07-11 09:38:48 +02:00
parent 70360c7099
commit 5ad86f2bf5
1 changed files with 49 additions and 12 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

57
deployment/api/main.py
View file

@ -8,6 +8,8 @@ import mlflow
from mlflow.tracking import MlflowClient
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.sequence import pad_sequences
import pandas as pd
from datetime import datetime, timedelta
# A DECOMMENTER POUR DEVELOPPER. AUTREMENT, LAISSER AINSI
# Accéder à .env
@ -142,8 +144,13 @@ def predict_sentiment(request: TweetRequest):
"probability": float(prediction_prob)
}
# Remplacer le dict par un DataFrame global initial vide
error_reports_df = pd.DataFrame(columns=["tweet", "prediction", "probability", "timestamp"])
@app.post("/report_error")
def report_error(request: ReportRequest):
global error_reports_df
tweet = request.tweet.strip()
prediction = request.prediction.strip().lower()
probability = request.probability
@ -153,23 +160,53 @@ def report_error(request: ReportRequest):
if probability < 0 or probability > 1:
raise HTTPException(status_code=400, detail="Probabilité invalide. Elle doit être entre 0 et 1.")
# Ajouter ou mettre à jour le signalement du tweet avec la probabilité
error_reports[tweet] = prediction + f' (p = {probability:.2f} ) '
now = datetime.utcnow()
# Vérifier si le tweet existe déjà pour éviter doublons
existing_idx = error_reports_df.index[error_reports_df["tweet"] == tweet].tolist()
if existing_idx:
# Mettre à jour la ligne existante
idx = existing_idx[0]
error_reports_df.at[idx, "prediction"] = prediction + f' (p = {probability:.2f} ) '
error_reports_df.at[idx, "probability"] = probability
error_reports_df.at[idx, "timestamp"] = now
else:
# Ajouter une nouvelle ligne
new_row = {
"tweet": tweet,
"prediction": prediction + f' (p = {probability:.2f} ) ',
"probability": probability,
"timestamp": now
}
error_reports_df = pd.concat([error_reports_df, pd.DataFrame([new_row])], ignore_index=True)
report_sent = False
# Condition : À chaque multiple de 3 signalements, un mail est envoyé
# Condition : multiples de 3 signalements et délai max 5 minutes entre les 3 derniers
try:
if len(error_reports) % 3 == 0: # La condition reste
report_sent = True
print(f"📧 Tentative d'envoi d'email pour {len(error_reports)} signalements...")
email_success = send_error_report_email(error_reports.copy())
if len(error_reports_df) % 3 == 0:
last_three = error_reports_df.sort_values("timestamp", ascending=False).head(3)
times = last_three["timestamp"].sort_values()
delta = times.iloc[-1] - times.iloc[0]
if delta <= timedelta(minutes=5):
reports_dict = dict(zip(
last_three["tweet"],
last_three["prediction"]
))
print(f"📧 Tentative d'envoi d'email pour {len(error_reports_df)} signalements...")
email_success = send_error_report_email(reports_dict)
if email_success:
print(f"✅ Email envoyé avec succès pour {len(error_reports)} signalements")
print(f"✅ Email envoyé avec succès pour {len(error_reports_df)} signalements")
report_sent = True
# SUPPRESSION des 3 derniers signalements envoyés
# Identifier les index à supprimer
to_remove_idx = last_three.index
error_reports_df = error_reports_df.drop(to_remove_idx).reset_index(drop=True)
else:
print(f"❌ Échec de l'envoi de l'email pour {len(error_reports)} signalements")
print(f"❌ Échec de l'envoi de l'email pour {len(error_reports_df)} signalements")
except Exception as e:
print(f"❌ Erreur lors de l'envoi de l'email : {e}")
# On continue même si l'email échoue pour ne pas bloquer l'API
# Continuer même si échec
return {"report_sent": report_sent}