diff --git a/deployment/api/main.py b/deployment/api/main.py
new file mode 100644
index 0000000..1db76d7
--- /dev/null
+++ b/deployment/api/main.py
@@ -0,0 +1,105 @@
+import os
+from dotenv import load_dotenv
+import re
+import html
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+import mlflow.keras
+import nltk
+from nltk.corpus import stopwords
+from nltk.tokenize import word_tokenize
+from nltk.stem import WordNetLemmatizer
+
+# Téléchargements nécessaires NLTK
+nltk.download('punkt')
+nltk.download('stopwords')
+nltk.download('wordnet')
+
+
+# Charger les variables d'environnement depuis le fichier .env à la racine ou accessible
+load_dotenv(dotenv_path='../../.env')
+
+# Configuration de MLflow avec les variables d'environnement
+mlflow_tracking_uri = os.getenv("MLFLOW_TRACKING_URI")
+mlflow_s3_endpoint_url = os.getenv("MLFLOW_S3_ENDPOINT_URL")
+aws_access_key_id = os.getenv("AWS_ACCESS_KEY_ID")
+aws_secret_access_key = os.getenv("AWS_SECRET_ACCESS_KEY")
+
+# Définition du modèle de données pour la requête
+class TweetRequest(BaseModel):
+    tweet: str
+
+# Fonction de prétraitement pour les tweets
+def preprocess_tweet(tweet: str) -> str:
+    """
+    Prétraite un tweet en appliquant plusieurs transformations :
+    - Conversion en minuscules
+    - Remplacement des URLs, mentions et hashtags par des tokens spéciaux
+    - Suppression des caractères spéciaux
+    - Tokenisation et lemmatisation
+    - Suppression des stopwords
+    """
+    if not isinstance(tweet, str):
+        return ""
+
+    tweet = tweet.lower()
+    tweet = re.sub(r'https?://\S+|www\.\S+', '<URL>', tweet)
+    tweet = re.sub(r'@\w+', '<MENTION>', tweet)
+    tweet = re.sub(r'#(\w+)', r'# \1', tweet)
+    tweet = html.unescape(tweet)
+    tweet = re.sub(r'[^\w\s<>@#!?]', '', tweet)
+
+    tokens = word_tokenize(tweet)
+
+    lemmatizer = WordNetLemmatizer()
+    tokens = [lemmatizer.lemmatize(token) for token in tokens]
+
+    stop_words = set(stopwords.words('english'))
+    important_words = {'no', 'not', 'nor', 'neither', 'never', 'nobody', 'none', 'nothing', 'nowhere'}
+    stop_words = stop_words - important_words
+    tokens = [token for token in tokens if token not in stop_words]
+
+    return ' '.join(tokens)
+
+# Initialisation FastAPI
+app = FastAPI(title="API Prédiction Sentiment - Air Paradis")
+
+# Chargement du modèle MLflow (URI fixe du modèle en stage Production)
+MODEL_URI = "models:/SentimentAnalysisLSTM/Production"
+try:
+    model = mlflow.keras.load_model(MODEL_URI)
+    print("Modèle chargé depuis MLflow avec succès.")
+except Exception as e:
+    print(f"Erreur lors du chargement du modèle MLflow : {e}")
+    model = None
+
+@app.get("/")
+def root():
+    return {"message": "API Prédiction Sentiment Air Paradis - OK"}
+
+@app.post("/predict")
+def predict_sentiment(request: TweetRequest):
+    if model is None:
+        raise HTTPException(status_code=503, detail="Modèle non disponible.")
+
+    processed_tweet = preprocess_tweet(request.tweet)
+    if processed_tweet == "":
+        raise HTTPException(status_code=400, detail="Tweet vide ou invalide après prétraitement.")
+
+    # Ici, il faudra adapter selon la manière dont ton modèle attend l'entrée
+    # Par exemple, si ton modèle attend une séquence d'indices, il faut intégrer la vectorisation / tokenisation
+    # Pour l'exemple, on fait un dummy wrap en liste
+    input_data = [processed_tweet]
+
+    # Modèle Keras attend généralement un array numpy, ou séquence tokenisée
+    # À adapter selon ta pipeline exacte
+    import numpy as np
+    try:
+        # Exemple naïf : on prédit directement sur la liste textuelle (à adapter !)
+        prediction_prob = model.predict(input_data)[0][0]  # supposons sortie [prob_neg]
+        sentiment = "positif" if prediction_prob >= 0.5 else "negatif"
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Erreur lors de l'inférence : {e}")
+
+    return {"sentiment": sentiment, "probability": float(prediction_prob)}
+