Update app.py

app.py

@@ -4,29 +4,11 @@ from langdetect import detect
 from huggingface_hub import InferenceClient
 import pandas as pd
 import os
-import nltk
 import asyncio
-nltk.download('punkt')  # CORRECT : 'punkt' !
-
-from nltk.tokenize import sent_tokenize
 
 HF_TOKEN = os.getenv("HF_TOKEN")
 
-# Chargement modèles
-translator_to_en = pipeline("translation", model="Helsinki-NLP/opus-mt-mul-en")
-translator_to_fr = pipeline("translation", model="Helsinki-NLP/opus-mt-en-fr")
-classifier = pipeline("sentiment-analysis", model="mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis")
-
-# Fonction traduction segmentée
-def safe_translate_to_fr(text, max_length=512):
-    sentences = sent_tokenize(text)
-    translated_sentences = []
-    for sentence in sentences:
-        translated = translator_to_fr(sentence, max_length=max_length)[0]['translation_text']
-        translated_sentences.append(translated)
-    return " ".join(translated_sentences)
-
-# Appel API Zephyr
+# 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:
@@ -36,15 +18,25 @@ async def call_zephyr_api(prompt, mode, hf_token=HF_TOKEN):
         elif mode == "Équilibré":
             max_new_tokens = 100
             temperature = 0.5
-        else:
+        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 API Hugging Face : {str(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")
 
-# Suggestion mode
+# Fonction pour traduire un texte long (désactivée pour éviter l'erreur NLTK)
+def safe_translate_to_fr(text, max_length=512):
+    return "Traduction désactivée pour l'instant pour éviter les problèmes de dépendance NLTK."
+
+# Fonction pour suggérer le meilleur modèle
 def suggest_model(text):
     word_count = len(text.split())
     if word_count < 50:
@@ -54,33 +46,42 @@ def suggest_model(text):
     else:
         return "Précis"
 
-# Jauge sentiment
+# Fonction pour créer une jauge de sentiment
 def create_sentiment_gauge(sentiment, score):
     score_percentage = score * 100
-    color = "#A9A9A9"
-    if sentiment.lower() == "positive":
+    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;'>
-            <div style='background-color: {color}; width: {score_percentage}%; height: 100%; border-radius: 5px;'></div>
-            <span style='position: absolute; top: 0; left: 50%; transform: translateX(-50%); font-weight: bold;'>{score_percentage:.1f}%</span>
+        <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 style='text-align: center; margin-top: 5px;'>Sentiment : {sentiment}</div>
     </div>
     """
     return html
 
-# Analyse principale
+# Fonction d'analyse corrigée
 async def full_analysis(text, mode, detail_mode, count, history):
     if not text:
         yield "Entrez une phrase.", "", "", "", 0, history, "", "Aucune analyse effectuée."
         return
 
-    yield "Analyse en cours... (Étape 1 : Détection de la langue)", "", "", "", count, history, "", "Détection de la langue"
+    # Message de progression
+    yield "Analyse en cours... (Étape 1 : Détection de la langue)", "", "", "", count, history, "", "Étape 1 : Détection de la langue"
 
     try:
         lang = detect(text)
@@ -92,15 +93,17 @@ async def full_analysis(text, mode, detail_mode, count, history):
     else:
         text_en = text
 
-    yield "Analyse en cours... (Étape 2 : Analyse du sentiment)", "", "", "", count, history, "", "Analyse du sentiment"
+    yield "Analyse en cours... (Étape 2 : Analyse du sentiment)", "", "", "", count, history, "", "Étape 2 : Analyse du sentiment"
 
+    # 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 IA)", "", "", "", count, history, "", "Génération de l'explication"
+    yield "Analyse en cours... (Étape 3 : Explication de l'impact)", "", "", "", count, history, "", "Étape 3 : Explication de l'impact"
 
+    # 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>
@@ -109,13 +112,14 @@ Given the following question about a potential economic event: "{text}"
 
 The predicted sentiment for this event is: {result['label'].lower()}.
 
-Assume the event happens. Explain why this event would likely have a {result['label'].lower()} economic impact.
+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 en français)", "", "", "", count, history, "", "Traduction en français"
+    yield "Analyse en cours... (Étape 4 : Traduction)", "", "", "", count, history, "", "Étape 4 : Traduction"
 
+    # Traduction (désactivée pour éviter l'erreur NLTK)
     explanation_fr = safe_translate_to_fr(explanation_en)
 
     count += 1
@@ -127,9 +131,9 @@ Assume the event happens. Explain why this event would likely have a {result['la
         "Explication_FR": explanation_fr
     })
 
-    yield sentiment_output, text, explanation_en, explanation_fr, count, history, sentiment_gauge, "✅ Analyse terminée."
+    yield sentiment_output, text, explanation_en, explanation_fr, count, history, sentiment_gauge, "Analyse terminée."
 
-# Historique CSV
+# Fonction pour télécharger historique CSV
 def download_history(history):
     if not history:
         return None
@@ -138,62 +142,197 @@ def download_history(history):
     df.to_csv(file_path, index=False)
     return file_path
 
-# Lancement Gradio
+# Interface Gradio améliorée
 def launch_app():
     custom_css = """
-    /* Ici tout ton CSS personnalisé pour style de fond, couleurs, boutons */
+    @import url('https://fonts.googleapis.com/css2?family=Inter:wght@400;600;700&display=swap');
+
     body {
         background: linear-gradient(135deg, #0A1D37 0%, #1A3C34 100%);
-        font-family: 'Inter', sans-serif;
         color: #E0E0E0;
-        padding: 20px;
+        font-family: 'Inter', sans-serif;
+        margin: 0;
+        padding: 30px;
     }
+
     .gr-box {
         background: #2A4A43 !important;
+        border-radius: 16px !important;
         border: 1px solid #FFD700 !important;
-        border-radius: 12px !important;
-        padding: 20px !important;
-        box-shadow: 0px 4px 12px rgba(255, 215, 0, 0.4);
+        box-shadow: 0 8px 20px rgba(0, 0, 0, 0.5) !important;
+        padding: 30px !important;
+        margin: 20px 0 !important;
+        transition: transform 0.2s ease, box-shadow 0.3s ease !important;
+    }
+
+    .gr-box:hover {
+        transform: translateY(-5px) !important;
+        box-shadow: 0 12px 24px rgba(255, 215, 0, 0.4) !important;
+    }
+
+    .gr-textbox, .gr-dropdown {
+        background: #3A5A52 !important;
+        border: 2px solid #FFD700 !important;
+        border-radius: 10px !important;
+        color: #E0E0E0 !important;
+        font-size: 18px !important;
+        padding: 15px !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 12px rgba(255, 215, 0, 0.5) !important;
     }
+
     .gr-button {
-        background: linear-gradient(90deg, #FFD700, #D4AF37);
-        color: #0A1D37;
-        font-weight: bold;
-        border: none;
-        border-radius: 8px;
-        padding: 12px 24px;
-        transition: transform 0.2s;
+        background: linear-gradient(90deg, #FFD700 0%, #D4AF37 100%) !important;
+        color: #0A1D37 !important;
+        border: none !important;
+        border-radius: 10px !important;
+        padding: 15px 30px !important;
+        font-weight: 600 !important;
+        font-size: 18px !important;
+        transition: transform 0.1s ease, box-shadow 0.3s ease !important;
+        box-shadow: 0 4px 12px rgba(255, 215, 0, 0.3) !important;
     }
+
     .gr-button:hover {
-        transform: translateY(-2px);
-        box-shadow: 0 6px 12px rgba(255, 215, 0, 0.5);
+        transform: translateY(-3px) !important;
+        box-shadow: 0 8px 16px 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: 25px 0 !important;
+    }
+
+    .gr-column {
+        padding: 20px !important;
+    }
+
+    label {
+        color: #FFD700 !important;
+        font-weight: 600 !important;
+        font-size: 18px !important;
+        margin-bottom: 10px !important;
+        display: flex !important;
+        align-items: center !important;
+    }
+
+    label::before {
+        font-family: "Font Awesome 6 Free";
+        font-weight: 900;
+        margin-right: 10px;
+    }
+
+    .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, 0.95) !important;
+        border-radius: 16px;
+        padding: 30px;
+        margin: 25px 0;
+        box-shadow: 0 8px 20px rgba(0, 0, 0, 0.5);
+    }
+
+    .economic-question-section .gr-textbox {
+        background: rgba(46, 74, 67, 0.85) !important;
+        border: 2px solid #FFD700 !important;
+        box-shadow: 0 4px 12px rgba(255, 215, 0, 0.3) !important;
+        font-size: 20px !important;
+        padding: 20px !important;
+    }
+
+    .economic-question-section .gr-textbox:focus {
+        border-color: #FFD700 !important;
+        box-shadow: 0 0 14px rgba(255, 215, 0, 0.6) !important;
+    }
+
+    .options-section {
+        display: flex;
+        flex-direction: column;
+        gap: 20px;
+        margin-top: 20px;
+    }
+
+    .options-section .gr-dropdown {
+        width: 220px !important;
+    }
+
+    .options-section .gr-dropdown label::before {
+        content: '\\f0c9';
+    }
+
+    .progress-message {
+        color: #FFD700 !important;
+        font-style: italic;
+        margin-bottom: 15px;
     }
     """
 
     with gr.Blocks(theme=gr.themes.Base(), css=custom_css) as iface:
-        gr.Markdown("# 📈 Analyse Financière Premium avec IA")
-        gr.Markdown("**Posez une question économique.** L'IA analyse et explique l'impact.")
+        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():
+        with gr.Row(elem_classes=["economic-question-section"]):
             with gr.Column(scale=2):
-                input_text = gr.Textbox(lines=4, label="Votre question économique")
-            with gr.Column(scale=1):
-                mode_selector = gr.Dropdown(choices=["Rapide", "Équilibré", "Précis"], value="Équilibré", label="Mode de réponse")
-                detail_mode_selector = gr.Dropdown(choices=["Normal", "Expert"], value="Normal", label="Niveau de détail")
+                with gr.Column():
+                    input_text = gr.Textbox(
+                        lines=4,
+                        label="Question Économique"
+                    )
+            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)"
+                )
 
-        analyze_btn = gr.Button("Analyser")
-        download_btn = gr.Button("Télécharger l'historique")
+        with gr.Row():
+            analyze_btn = gr.Button("Analyser")
+            reset_graph_btn = gr.Button("Réinitialiser")
+            download_btn = gr.Button("Télécharger CSV")
 
         with gr.Row():
-            sentiment_output = gr.Textbox(label="Sentiment prédictif")
-            displayed_prompt = gr.Textbox(label="Texte utilisé (anglais)", interactive=False)
-            explanation_output_en = gr.Textbox(label="Explication en anglais")
-            explanation_output_fr = gr.Textbox(label="Explication en français")
-            sentiment_gauge = gr.HTML()
-            progress_message = gr.Textbox(label="Progression", interactive=False)
+            with gr.Column(scale=1):
+                progress_message = gr.Textbox(label="Progression", elem_classes=["progress-message"], interactive=False)
+                displayed_prompt = gr.Textbox(label="Votre question", 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")
 
@@ -214,4 +353,4 @@ def launch_app():
     iface.launch(share=True)
 
 if __name__ == "__main__":
-    launch_app()
+    launch_app()