app.py

import gradio as gr
from transformers import pipeline
from langdetect import detect
from huggingface_hub import InferenceClient
import pandas as pd
import os
import nltk
import asyncio
nltk.download('punkt_tab')
from nltk.tokenize import sent_tokenize

HF_TOKEN = os.getenv("HF_TOKEN")

# Fonction pour appeler l'API Zephyr avec des paramètres ajustés
async def call_zephyr_api(prompt, mode, hf_token=HF_TOKEN):
    client = InferenceClient("HuggingFaceH4/zephyr-7b-beta", token=hf_token)
    try:
        if mode == "Rapide":
            max_new_tokens = 50
            temperature = 0.3
        elif mode == "Équilibré":
            max_new_tokens = 100
            temperature = 0.5
        else:  # Précis
            max_new_tokens = 150
            temperature = 0.7
        response = await asyncio.to_thread(client.text_generation, prompt, max_new_tokens=max_new_tokens, temperature=temperature)
        return response
    except Exception as e:
        raise gr.Error(f"❌ Erreur d'appel API Hugging Face : {str(e)}")

# Chargement du modèle de sentiment pour analyser les réponses
classifier = pipeline("sentiment-analysis", model="mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis")

# Modèles de traduction (optionnels, désactivés pour optimisation)
translator_to_en = pipeline("translation", model="Helsinki-NLP/opus-mt-mul-en")
# Traduction en français désactivée pour l'instant
# translator_to_fr = pipeline("translation", model="Helsinki-NLP/opus-mt-en-fr")

# Fonction pour traduire un texte long en le segmentant (désactivée pour l'instant)
def safe_translate_to_fr(text, max_length=512):
    return "Traduction désactivée pour l'instant pour améliorer la vitesse."

# Fonction pour suggérer le meilleur modèle
def suggest_model(text):
    word_count = len(text.split())
    if word_count < 50:
        return "Rapide"
    elif word_count <= 200:
        return "Équilibré"
    else:
        return "Précis"

# Fonction pour créer une jauge de sentiment
def create_sentiment_gauge(sentiment, score):
    score_percentage = score * 100
    if sentiment.lower() == "neutral":
        color = "#A9A9A9"
    elif sentiment.lower() == "positive":
        color = "#2E8B57"
    elif sentiment.lower() == "negative":
        color = "#DC143C"
    else:
        color = "#A9A9A9"

    html = f"""
    <div style='width: 100%; max-width: 300px; margin: 10px 0;'>
        <div style='background-color: #D3D3D3; border-radius: 5px; height: 20px; position: relative; box-shadow: 0 2px 4px rgba(0,0,0,0.2);'>
            <div style='background-color: {color}; width: {score_percentage}%; height: 100%; border-radius: 5px; transition: width 0.3s ease-in-out;'>
            </div>
            <span style='position: absolute; top: 0; left: 50%; transform: translateX(-50%); color: #0A1D37; font-size: 12px; line-height: 20px; font-weight: 600;'>
                {score_percentage:.1f}%
            </span>
        </div>
        <div style='text-align: center; font-size: 14px; margin-top: 5px; color: #E0E0E0;'>
            Sentiment: {sentiment}
        </div>
    </div>
    """
    return html

# Fonction d'analyse corrigée
async def full_analysis(text, mode, detail_mode, count, history):
    if not text:
        yield "Entrez une phrase.", "", "", 0, history, None, ""
        return

    # Message de progression
    yield "Analyse en cours... (Étape 1 : Détection de la langue)", "", "", count, history, None, ""

    try:
        lang = detect(text)
    except:
        lang = "unknown"

    if lang != "en":
        text_en = translator_to_en(text, max_length=512)[0]['translation_text']
    else:
        text_en = text

    yield "Analyse en cours... (Étape 2 : Analyse du sentiment)", "", "", count, history, None, ""

    # Analyse du sentiment avec RoBERTa sur le texte d'entrée
    result = await asyncio.to_thread(classifier, text_en)
    result = result[0]
    sentiment_output = f"Sentiment prédictif : {result['label']} (Score: {result['score']:.2f})"
    sentiment_gauge = create_sentiment_gauge(result['label'], result['score'])

    yield "Analyse en cours... (Étape 3 : Explication de l'impact)", "", "", count, history, None, ""

    # Appel à Zephyr pour expliquer l'impact basé sur le sentiment
    explanation_prompt = f"""<|system|>
You are a professional financial analyst AI with expertise in economic forecasting.
</s>
<|user|>
Given the following question about a potential economic event: "{text}"

The predicted sentiment for this event is: {result['label'].lower()}.

Assume the event happens (e.g., if the question is "Will the Federal Reserve raise interest rates?", assume they do raise rates). Explain why this event would likely have a {result['label'].lower()} economic impact. Provide a concise explanation in one paragraph, focusing on the potential effects on the economy. {"Use simple language for a general audience." if detail_mode == "Normal" else "Use detailed financial terminology for an expert audience."}
</s>
<|assistant|>"""
    explanation_en = await call_zephyr_api(explanation_prompt, mode)

    yield "Analyse en cours... (Étape 4 : Traduction)", "", "", count, history, None, ""

    # Traduction (désactivée pour l'instant)
    explanation_fr = safe_translate_to_fr(explanation_en, max_length=512)

    count += 1
    history.append({
        "Texte": text,
        "Sentiment": result['label'],
        "Score": f"{result['score']:.2f}",
        "Explication_EN": explanation_en,
        "Explication_FR": explanation_fr
    })

    yield sentiment_output, explanation_en, explanation_fr, count, history, sentiment_gauge, ""

# Fonction pour télécharger historique CSV
def download_history(history):
    if not history:
        return None
    df = pd.DataFrame(history)
    file_path = "/tmp/analysis_history.csv"
    df.to_csv(file_path, index=False)
    return file_path

# Interface Gradio améliorée
def launch_app():
    custom_css = """
    @import url('https://fonts.googleapis.com/css2?family=Inter:wght@300;400;600;700&display=swap');
    @import url('https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.4.0/css/all.min.css');

    body {
        background-image: url('https://images.unsplash.com/photo-1593672715438-d88a70629abe?q=80&w=2070&auto=format&fit=crop');
        background-size: cover;
        background-position: center;
        background-attachment: fixed;
        background-color: #0A1D37;
        background-blend-mode: overlay;
        color: #E0E0E0;
        font-family: 'Inter', sans-serif;
        margin: 0;
        padding: 20px;
    }

    .gr-box {
        background: #1A3C34 !important;
        border-radius: 12px !important;
        border: 1px solid #FFD700 !important;
        box-shadow: 0 6px 16px rgba(0, 0, 0, 0.4) !important;
        padding: 25px !important;
        margin: 15px 0 !important;
        transition: transform 0.2s ease, box-shadow 0.3s ease !important;
    }

    .gr-box:hover {
        transform: translateY(-3px) !important;
        box-shadow: 0 8px 20px rgba(255, 215, 0, 0.3) !important;
    }

    .gr-textbox, .gr-dropdown {
        background: #2E4A43 !important;
        border: 1px solid #FFD700 !important;
        border-radius: 8px !important;
        color: #E0E0E0 !important;
        font-size: 16px !important;
        padding: 12px !important;
        transition: border-color 0.3s ease, box-shadow 0.3s ease !important;
    }

    .gr-textbox:focus, .gr-dropdown:focus {
        border-color: #FFD700 !important;
        box-shadow: 0 0 10px rgba(255, 215, 0, 0.4) !important;
    }

    .gr-button {
        background: linear-gradient(90deg, #FFD700 0%, #D4AF37 100%) !important;
        color: #0A1D37 !important;
        border: none !important;
        border-radius: 8px !important;
        padding: 12px 24px !important;
        font-weight: 600 !important;
        font-size: 16px !important;
        transition: transform 0.1s ease, box-shadow 0.3s ease !important;
        box-shadow: 0 3px 10px rgba(255, 215, 0, 0.3) !important;
    }

    .gr-button:hover {
        transform: translateY(-2px) !important;
        box-shadow: 0 6px 14px rgba(255, 215, 0, 0.5) !important;
    }

    h1, h2, h3 {
        color: #FFD700 !important;
        font-weight: 700 !important;
        text-shadow: 0 2px 4px rgba(0, 0, 0, 0.3) !important;
        animation: fadeIn 1s ease-in-out;
    }

    @keyframes fadeIn {
        from { opacity: 0; transform: translateY(-10px); }
        to { opacity: 1; transform: translateY(0); }
    }

    .gr-row {
        margin: 20px 0 !important;
    }

    .gr-column {
        padding: 15px !important;
    }

    label {
        color: #FFD700 !important;
        font-weight: 600 !important;
        font-size: 16px !important;
        margin-bottom: 8px !important;
        display: flex !important;
        align-items: center !important;
    }

    label::before {
        font-family: "Font Awesome 6 Free";
        font-weight: 900;
        margin-right: 8px;
    }

    .gr-textbox label::before {
        content: '\\f201';
    }

    .gr-html label::before {
        content: '\\f080';
    }

    .gr-file label::before {
        content: '\\f019';
    }

    .economic-question-section {
        background: rgba(26, 60, 52, 0.9) !important;
        border-radius: 12px;
        padding: 25px;
        margin: 20px 0;
        box-shadow: 0 6px 16px rgba(0, 0, 0, 0.4);
    }

    .economic-question-section .gr-textbox {
        background: rgba(46, 74, 67, 0.8) !important;
        border: 2px solid #FFD700 !important;
        box-shadow: 0 3px 10px rgba(255, 215, 0, 0.3) !important;
        font-size: 18px !important;
        padding: 15px !important;
    }

    .economic-question-section .gr-textbox:focus {
        border-color: #FFD700 !important;
        box-shadow: 0 0 12px rgba(255, 215, 0, 0.5) !important;
    }

    .prompt-box {
        background: rgba(46, 74, 67, 0.6) !important;
        border: 1px solid #FFD700 !important;
        border-radius: 8px !important;
        color: #E0E0E0 !important;
        font-size: 16px !important;
        padding: 12px !important;
        margin-top: 10px !important;
    }

    .prompt-box label::before {
        content: '\\f075';
    }

    .options-section {
        display: flex;
        flex-direction: column;
        gap: 15px;
        margin-top: 15px;
    }

    .options-section .gr-dropdown {
        width: 200px !important;
    }

    .options-section .gr-dropdown label::before {
        content: '\\f0c9';
    }

    .progress-message {
        color: #FFD700 !important;
        font-style: italic;
        margin-bottom: 10px;
    }
    """

    with gr.Blocks(theme=gr.themes.Base(), css=custom_css) as iface:
        gr.Markdown("# 📈 Analyse Financière Premium + Explication IA", elem_id="title")
        gr.Markdown("Posez une question sur un événement économique. L'IA analyse le sentiment et explique l'impact.", elem_classes=["subtitle"])

        count = gr.State(0)
        history = gr.State([])

        with gr.Row(elem_classes=["economic-question-section"]):
            with gr.Column(scale=2):
                with gr.Column():
                    input_text = gr.Textbox(
                        lines=4,
                        label="Question Économique"
                    )
                    prompt_display = gr.Textbox(
                        value="Une hausse des taux causerait-elle une récession ?",
                        label="Exemple de Prompt",
                        interactive=False,
                        elem_classes=["prompt-box"]
                    )
            with gr.Column(scale=1, elem_classes=["options-section"]):
                mode_selector = gr.Dropdown(
                    choices=["Rapide", "Équilibré", "Précis"],
                    value="Équilibré",
                    label="Mode (longueur et style de réponse)"
                )
                detail_mode_selector = gr.Dropdown(
                    choices=["Normal", "Expert"],
                    value="Normal",
                    label="Niveau de détail (simplicité ou technicité)"
                )

        with gr.Row():
            analyze_btn = gr.Button("Analyser")
            reset_graph_btn = gr.Button("Réinitialiser")
            download_btn = gr.Button("Télécharger CSV")

        with gr.Row():
            with gr.Column(scale=1):
                progress_message = gr.Textbox(label="Progression", elem_classes=["progress-message"], interactive=False)
                sentiment_output = gr.Textbox(label="Sentiment Prédictif")
                sentiment_gauge = gr.HTML(label="Jauge de Sentiment")
            with gr.Column(scale=2):
                with gr.Row():
                    explanation_output_en = gr.Textbox(label="Explication en Anglais")
                    explanation_output_fr = gr.Textbox(label="Explication en Français")

        download_file = gr.File(label="Fichier CSV")

        input_text.change(lambda t: gr.update(value=suggest_model(t)), inputs=[input_text], outputs=[mode_selector])

        analyze_btn.click(
            full_analysis,
            inputs=[input_text, mode_selector, detail_mode_selector, count, history],
            outputs=[sentiment_output, explanation_output_en, explanation_output_fr, count, history, sentiment_gauge, progress_message]
        )

        download_btn.click(
            download_history,
            inputs=[history],
            outputs=[download_file]
        )

    iface.launch(share=True)

if __name__ == "__main__":
    launch_app()