Update app.py

app.py

@@ -3,7 +3,7 @@ from langdetect import detect
 import gradio as gr
 import pandas as pd
 
-# Chargement du modèle de sentiment
+# Chargement modèle de sentiment
 classifier = pipeline(
     "sentiment-analysis",
     model="mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis"
@@ -19,21 +19,36 @@ translator_to_fr = pipeline(
     model="Helsinki-NLP/opus-mt-en-fr"
 )
 
-# Fonction pour charger dynamiquement le modèle d'explication
-def load_explainer(mode):
-    if mode == "Rapide":
-        model_name = "google/flan-t5-small"
-    else:  # Précis
-        model_name = "google/flan-t5-base"
+# Modèles disponibles
+MODEL_OPTIONS = {
+    "Flan-T5 Small (rapide)" : "google/flan-t5-small",
+    "Flan-T5 Base (équilibré)" : "google/flan-t5-base",
+    "Flan-T5 Large (précis)" : "google/flan-t5-large",
+}
+
+# Fonction pour charger un modèle d'explication
+def load_explainer(model_choice):
+    model_name = MODEL_OPTIONS.get(model_choice, "google/flan-t5-small")
     return pipeline("text2text-generation", model=model_name)
 
+# Fonction pour suggérer le meilleur modèle
+def suggest_model(text):
+    word_count = len(text.split())
+    if word_count < 50:
+        suggestion = "Flan-T5 Small (rapide)"
+    elif word_count <= 200:
+        suggestion = "Flan-T5 Base (équilibré)"
+    else:
+        suggestion = "Flan-T5 Large (précis)"
+    return suggestion
+
 # Fonction complète d'analyse + explication
-def full_analysis(text, mode, count, history):
+def full_analysis(text, model_choice, count, history):
     if not text:
         return "Entrez une phrase.", "", "", count, history, None
 
-    # Charger l'explainer correspondant
-    explainer = load_explainer(mode)
+    # Charger modèle sélectionné
+    explainer = load_explainer(model_choice)
 
     # Détection de langue
     try:
@@ -49,11 +64,11 @@ def full_analysis(text, mode, count, history):
     result = classifier(text)[0]
     sentiment_output = f"Sentiment : {result['label']} (Score: {result['score']:.2f})"
 
-    # Génération de l'explication
-    prompt = f"Explain why the following financial news is {result['label'].lower()}: \"{text}\""
-    explanation_en = explainer(prompt, max_length=100)[0]['generated_text']
+    # Prompt amélioré pour meilleure explication
+    prompt = f"""Given the following financial news: \"{text}\", explain in natural, clear and detailed language why the sentiment is {result['label'].lower()}. Focus on the main financial aspects and keep it concise."""
+    explanation_en = explainer(prompt, max_length=150)[0]['generated_text']
 
-    # Traduction de l'explication
+    # Traduction française
     explanation_fr = translator_to_fr(explanation_en, max_length=512)[0]['translation_text']
 
     # Mise à jour historique
@@ -64,12 +79,12 @@ def full_analysis(text, mode, count, history):
         "Score": f"{result['score']:.2f}",
         "Explication_EN": explanation_en,
         "Explication_FR": explanation_fr,
-        "Mode": mode
+        "Modèle utilisé": model_choice
     })
 
     return sentiment_output, explanation_en, explanation_fr, count, history, None
 
-# Fonction pour télécharger historique
+# Fonction pour générer historique CSV
 def download_history(history):
     if not history:
         return None
@@ -78,23 +93,24 @@ def download_history(history):
     df.to_csv(file_path, index=False)
     return file_path
 
-# Interface Gradio
+# Interface
 with gr.Blocks() as iface:
-    gr.Markdown("# 📈 Analyse de Sentiment Financier Multilingue + Explication 🌍")
-    gr.Markdown("Entrez une actualité financière. Analyse automatique du sentiment et génération d'une explication **bilingue** avec choix du modèle.")
+    gr.Markdown("# 📈 Analyse de Sentiment Financier Multilingue + Raisonnement 🌍")
+    gr.Markdown("Entrez une actualité financière. L'analyse détecte automatiquement le sentiment et génère une explication **bilingue**.\nChoisissez ou laissez l'IA vous suggérer le meilleur modèle selon la longueur de votre texte.")
 
     count = gr.State(0)
     history = gr.State([])
 
     with gr.Row():
         input_text = gr.Textbox(lines=4, placeholder="Entrez votre actualité ici...")
-    
+
     with gr.Row():
-        mode_selector = gr.Dropdown(
-            choices=["Rapide", "Précis"],
-            label="Choisissez le mode d'explication",
-            value="Rapide"
+        model_selector = gr.Dropdown(
+            choices=list(MODEL_OPTIONS.keys()),
+            label="Choisissez le modèle d'explication",
+            value="Flan-T5 Base (équilibré)"
         )
+        model_suggestion = gr.Markdown("")
 
     analyze_btn = gr.Button("Analyser")
     download_btn = gr.Button("Télécharger l'historique CSV")
@@ -115,13 +131,24 @@ with gr.Blocks() as iface:
 
     download_file = gr.File(label="Téléchargement du CSV")
 
-    # Clic sur "Analyser"
+    # Suggestions dynamiques du modèle
+    input_text.change(
+        lambda text: gr.update(value=suggest_model(text)), 
+        inputs=[input_text],
+        outputs=[model_selector]
+    ).then(
+        lambda text: gr.update(value=f"💡 Suggestion IA : {suggest_model(text)}"),
+        inputs=[input_text],
+        outputs=[model_suggestion]
+    )
+
+    # Actions boutons
     analyze_btn.click(
         lambda: gr.update(visible=True),
         outputs=[loading_text]
     ).then(
         full_analysis,
-        inputs=[input_text, mode_selector, count, history],
+        inputs=[input_text, model_selector, count, history],
         outputs=[sentiment_output, explanation_output_en, explanation_output_fr, count, history, download_file]
     ).then(
         lambda c: gr.update(value=f"{c} analyses réalisées"),
@@ -132,7 +159,6 @@ with gr.Blocks() as iface:
         outputs=[loading_text]
     )
 
-    # Clic sur "Télécharger historique"
     download_btn.click(
         download_history,
         inputs=[history],