# Déploiement de l'API - Projet Air Paradis

Ce dossier contient le code et la configuration nécessaires pour déployer l'API de prédiction de sentiments.

## 🎯 Objectif

Déployer une API REST qui permet de:
- prédire le sentiment d’un tweet (positif ou négatif) en s’appuyant sur un modèle LSTM entraîné à partir d’embeddings (Word2Vec ou GloVe).
- reporter les erreurs de prédictions


L’API utilise le modèle le plus performant, enregistré sur MLflow, et le met à disposition via FastAPI.

---

## 📦 Architecture Globale

```
┌──────────────────────────────┐
│  Utilisateur final (UI)      │
│  (interface Streamlit)       │
└────────────┬─────────────────┘
             │
  [Appel HTTP à /predict]
             │
┌────────────▼─────────────┐
│       API FastAPI        │
│  (serveur lancé via      │
│   Uvicorn)               │
└────────────┬─────────────┘
             │
Chargement du modèle depuis MLflow
             │
   Prétraitement du tweet
             │
     Prédiction (inférence)
             │
    Retour du sentiment (JSON)
```

---

## 🧪 Fonctionnement de l’API

1. **Chargement du modèle**
   - Le modèle le plus performant est enregistré dans MLflow sous un nom fixe (`SentimentAnalysisLSTM`) et une étape (stage) `Production`.
   - L’API récupère ce modèle au démarrage grâce à une URI stable :  
     ```
     models:/SentimentAnalysisLSTM/Production
     ```

2. **Prétraitement du texte**
   - Le texte envoyé par l’utilisateur est nettoyé, tokenisé, lemmatisé et transformé en vecteurs (embeddings).

3. **Prédiction**
   - Le modèle LSTM (chargé depuis MLflow) effectue l’inférence.
   - Le résultat (`positif` ou `négatif`) est renvoyé en réponse JSON.

4. **Interface utilisateur (optionnelle)**
   - Une interface Streamlit permet d’interagir avec l’API de manière visuelle.

---

## 🐳 Déploiement avec Docker

Un `Dockerfile` est fourni pour faciliter le déploiement de l’API sur n’importe quel hôte compatible Docker (NAS, cloud, etc.).

Ce docker devra être déploigné sur DockerHub à chaque versionning validé (voir section CI/CD ci-dessous)

Dans un souci de souveraineté des données, le déploiement sera préférentiellement déployé sur un NAS équippé d'un processeur Intel N100 (peu énergivore, mais probablement suffisant pour un calcul d'inférence LSTM).


---

## 🔁 Intégration continue / Déploiement Continu

Un pipeline GitHub Actions (CI/CD) est prévu pour :
- **Lancer automatiquement les tests unitaires** à chaque push sur le dépôt GitHub.
- **Garantir la stabilité de l’API** avant tout déploiement (NAS ou cloud).
- **Mettre à jour le Dockerfile** et le pousser sur **DockerHub**.

Les tests unitaires seront définis dans `./deployment/api/tests/`