app.py

"""
Application Gradio pour l'analyse de sentiment d'avis Amazon
avec génération automatique de réponses pour le service client
VERSION avec CroissantLLMChat - Modèle français bilingue 1.3B
VERSION avec envoi d'emails
"""

import gradio as gr
from data_processing import clean_text, label_to_sentiment
from generate_response import generer_reponse, load_model
from email_sender import send_analysis_email
import time

# Précharger le modèle CroissantLLMChat au démarrage
print("🥐 Préchargement de CroissantLLMChat (modèle français 1.3B)...")
load_model()
print("✅ Application prête !")

def analyze_review(review_text: str, sentiment_choice: str = "auto", recipient_email: str = None) -> tuple:
    """
    Analyse un avis client et génère une réponse si négatif
    
    Args:
        review_text (str): Texte de l'avis client
        sentiment_choice (str): "auto" pour détection auto, ou "positif"/"negatif"
        recipient_email (str, optional): Email pour recevoir les résultats
        
    Returns:
        tuple: (texte_nettoye, sentiment_affichage, reponse_affichage, temps, email_status)
    """
    start_time = time.time()
    
    # 1. Nettoyage du texte
    cleaned = clean_text(review_text)
    
    # 2. Détection du sentiment
    if sentiment_choice == "auto":
        # Détection automatique basique
        mots_negatifs = ["mauvais", "nul", "déçu", "cassé", "retard", "problème", 
                        "défectueux", "horrible", "arnaque", "pas", "ne", "aucun",
                        "inacceptable", "mécontentent", "insatisfait"]
        
        mots_avis = cleaned.lower().split()
        count_negatif = sum(1 for mot in mots_avis if any(neg in mot for neg in mots_negatifs))
        
        sentiment = "negatif" if count_negatif >= 1 else "positif"
    else:
        sentiment = sentiment_choice.lower()
    
    # Affichage du sentiment
    if sentiment == "negatif":
        sentiment_display = "🔴 **NÉGATIF**"
        sentiment_label = "Négatif"
    else:
        sentiment_display = "🟢 **POSITIF**"
        sentiment_label = "Positif"
    
    # 3. Génération de réponse (uniquement si négatif)
    if sentiment == "negatif":
        try:
            response = generer_reponse(cleaned, max_tokens=120, temperature=0.7)
            response_display = f"📧 **Réponse générée (CroissantLLMChat) :**\n\n{response}"
        except Exception as e:
            response = f"[Erreur : {e}]"
            response_display = f"❌ Erreur lors de la génération : {e}"
    else:
        response = ""
        response_display = "✅ Avis positif - Aucune réponse nécessaire"
    
    # 4. Envoi par email si adresse fournie
    email_status = ""
    if recipient_email and recipient_email.strip() and "@" in recipient_email:
        try:
            success, message = send_analysis_email(
                recipient_email=recipient_email.strip(),
                avis_text=review_text,
                sentiment=sentiment_label,
                response_text=response if response else "Aucune réponse générée (avis positif)"
            )
            email_status = message
        except Exception as e:
            email_status = f"❌ Erreur email : {str(e)}"
    else:
        email_status = "ℹ️ Pas d'email spécifié (optionnel)"
    
    # Temps d'exécution
    elapsed_time = time.time() - start_time
    
    return (
        f"**Texte nettoyé :** {cleaned}",
        f"**Sentiment détecté :** {sentiment_display}",
        response_display,
        f"⏱️ **Analyse terminée en {elapsed_time:.2f}s**",
        f"**Statut email :** {email_status}"
    )

# Interface Gradio
with gr.Blocks(title="Analyse de Sentiment Amazon + Réponses Auto") as demo:
    
    gr.Markdown("""
    # 🛍️ Analyse de Sentiment d'Avis Amazon
    ## Pipeline IA complet : Nettoyage + Sentiment + Génération de réponses
    
    **Projet Master IA** - Coralie | **Modèle** : CroissantLLMChat (1.3B, bilingue FR/EN)
    
    🥐 **Version avec CroissantLLM** - Modèle français développé par CentraleSupélec.  
    Ce projet utilise un **pipeline CI/CD automatique** via Hugging Face Spaces.
    
    📧 **Nouveau** : Recevez les résultats par email (optionnel)
    """)
    
    with gr.Row():
        with gr.Column():
            gr.Markdown("### 📝 Avis client Amazon")
            
            review_input = gr.Textbox(
                label="Avis client Amazon",
                placeholder="Le produit est arrivé cassé et le service client ne répond pas. Très déçu !",
                lines=5
            )
            
            sentiment_radio = gr.Radio(
                choices=["auto", "positif", "negatif"],
                value="auto",
                label="🎯 Sentiment (optionnel - sinon détection auto)",
                info="Laissez sur 'auto' pour détection automatique"
            )
            
            email_input = gr.Textbox(
                label="📧 Email destinataire (optionnel)",
                placeholder="exemple@email.com",
                lines=1,
                info="Laissez vide si vous ne souhaitez pas recevoir d'email"
            )
            
            analyze_btn = gr.Button("🔍 Analyser l'avis", variant="primary")
        
        with gr.Column():
            gr.Markdown("### 📊 Résultats de l'analyse")
            
            timing_output = gr.Markdown(label="Temps d'exécution")
            cleaned_output = gr.Markdown(label="Texte nettoyé")
            sentiment_output = gr.Markdown(label="Sentiment")
            response_output = gr.Markdown(label="Réponse générée")
            email_status_output = gr.Markdown(label="Statut email")
    
    # Bouton d'analyse
    analyze_btn.click(
        fn=analyze_review,
        inputs=[review_input, sentiment_radio, email_input],
        outputs=[cleaned_output, sentiment_output, response_output, timing_output, email_status_output]
    )
    
    # Section d'exemples
    gr.Markdown("""
    ---
    ### 💡 Exemples d'avis à tester :
    
    **Avis négatif :** "Le produit est arrivé cassé et le service client ne répond pas. Très déçu !"
    
    **Avis positif :** "Excellent produit, livraison rapide. Je recommande !"
    """)
    
    # Debug toggle
    with gr.Accordion("🔧 Texte nettoyé (debug)", open=False):
        gr.Markdown("Affiche le texte après nettoyage")

# Lancer l'application
if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860)