Update app.py

app.py

@@ -4,6 +4,7 @@ import mlflow
 import mlflow.pyfunc
 import logging
 import os
+from typing import Literal, List, Union
 from fastapi import FastAPI, HTTPException, File, UploadFile
 from pydantic import BaseModel
 from contextlib import asynccontextmanager
@@ -40,11 +41,7 @@ class Item(BaseModel):
 
 @app.post("/predict/")
 async def predict(item: Item):
-    # Vérifier si le modèle a bien été chargé au démarrage
-    if 'getaround_predictor' not in ml_models or ml_models['getaround_predictor'] is None:
-        logger.error("Le modèle n'a pas pu être chargé. L'endpoint de prédiction n'est pas disponible.")
-        raise HTTPException(status_code=503, detail="Service indisponible: le modèle de prédiction n'est pas chargé.")
-
+   
     try:
         # Créer un DataFrame à partir des données de la requête
         # La méthode `model_dump()` de Pydantic est plus sûre que de reconstruire le dict à la main
@@ -55,6 +52,8 @@ async def predict(item: Item):
         
         logger.info(f"Données reçues pour la prédiction : \n{car_df.to_string()}")
 
+        loaded_model = mlflow.pyfunc.load_model(logged_model)
+
         # Utiliser le modèle déjà en mémoire pour faire la prédiction
         prediction = loaded_model.predict(car_df)