Spaces:

gdleds
/

API-FRAUD

Sleeping

Update app.py

d2a9e4c verified 10 months ago

6.09 kB

from fastapi import FastAPI, HTTPException
from fastapi import BackgroundTasks
from pydantic import BaseModel
from typing import Literal
import pandas as pd
import boto3
import joblib
import os
import io

# === Initialisation FastAPI ===
app = FastAPI(
    title="Fraude Détection API",
    description="""
### 🎯 Description  
Cette API permet de détecter automatiquement les transactions potentiellement frauduleuses en se basant sur un modèle de machine learning entraîné avec des données historiques de paiements.
Elle reçoit en entrée les caractéristiques complètes d’une transaction bancaire (hors identifiants techniques comme Unnamed: 0 et trans_num), puis renvoie une prédiction :
1 → transaction frauduleuse
0 → transaction légitime
Le modèle est chargé dynamiquement depuis le registre de modèles MLflow (ou S3), garantissant une traçabilité complète et une mise à jour continue.
🧾 Champs d’entrée attendus (JSON)
Champ	Type	Description
cc_num	float	Numéro de carte anonymisé
merchant	string	Nom du commerçant ou de l’établissement
category	string	Catégorie du commerçant (ex : "gas_transport", "shopping_net", "travel")
amt	float	Montant de la transaction
first	string	Prénom du client
last	string	Nom du client
gender	string	Sexe du client ("M" ou "F")
street	string	Adresse postale du client
city	string	Ville du client
state	string	Code État ou Région (ex : "TX", "CA")
zip	int	Code postal
lat	float	Latitude du domicile
long	float	Longitude du domicile
city_pop	int	Population de la ville
job	string	Profession du client
merch_lat	float	Latitude du commerçant
merch_long	float	Longitude du commerçant
year    int	Année de la transaction
month   int	Mois de la transaction
day     int	Jour de la transaction
hour    int	Heure de la transaction
minute  int	Minute de la transaction
second  int	Seconde de la transaction
dob_year : int année de naissance
dob_month : int mois de naissance
dob_day : int jour de naissance
Voici un exemple :
{
  "cc_num": 3593118134380341,
  "merchant": "fraud_Jacobi and Sons",
  "category": "shopping_pos",
  "amt": 9.01,
  "first": "Laura",
  "last": "Casey",
  "gender": "F",
  "street": "6114 Moran Way",
  "city": "Steuben",
  "state": "WI",
  "zip": 54657,
  "lat": 43.1457,
  "long": -91.1021,
  "city_pop": 291,
  "job": "Scientist, clinical (histocompatibility and immunogenetics)",
  "merch_lat": 43.1503,
  "merch_long": -91.0976,
  "year": 2025,
  "month": 11,
  "day": 22,
  "hour": 10,
  "minute": 29,
  "second": 6,
  "dob_year": 1959,
  "dob_month": 5,
  "dob_day": 10
}
""",
version="1.0"
)

# === Schéma attendu pour l'entrée ===
class InputData(BaseModel):
    cc_num: int
    merchant: str
    category: str
    amt: float
    first: str
    last: str
    gender: Literal["M", "F"]
    street: str
    city: str
    state: str
    zip: int
    lat: float
    long: float
    city_pop: int
    job: str
    merch_lat: float
    merch_long: float
    year : int         
    month : int
    day : int
    hour : int         
    minute : int       
    second : int
    dob_year : int
    dob_month : int
    dob_day : int   

# === Configuration S3 ===
S3_BUCKET = os.getenv("S3_BUCKET")
S3_PREFIX = "mlflow/models/"
s3 = boto3.client("s3")

def get_latest_model_key():
    try:
        response = s3.list_objects_v2(
            Bucket=S3_BUCKET,
            Prefix=S3_PREFIX
        )

        if "Contents" not in response:
            raise ValueError("Aucun modèle trouvé dans le bucket S3.")

        # Filtrer uniquement les .joblib
        models = [
            obj for obj in response["Contents"]
            if obj["Key"].endswith(".joblib")
        ]

        if not models:
            raise ValueError("Aucun fichier .joblib trouvé.")

        # Trier par LastModified (date d'upload dans S3)
        models.sort(key=lambda x: x["LastModified"], reverse=True)

        latest_key = models[0]["Key"]
        print(f"Dernier modèle détecté : {latest_key}")
        return latest_key

    except Exception as e:
        raise RuntimeError(f"Erreur récupération modèle S3 : {e}")

def load_latest_model():
    global model
    latest_model_key = get_latest_model_key()
    print(f"Rechargement du modèle : {latest_model_key}")

    response = s3.get_object(Bucket=S3_BUCKET, Key=latest_model_key)
    model_bytes = io.BytesIO(response["Body"].read())

    model = joblib.load(model_bytes)
    print("Nouveau modèle chargé avec succès")
    return latest_model_key

@app.on_event("startup")
def load_model():
    global model
    try:
        latest_model_key = get_latest_model_key()
        print(f"Téléchargement du dernier modèle depuis s3://{S3_BUCKET}/{latest_model_key}")

        # print(f"Téléchargement du modèle depuis s3://{S3_BUCKET}/{MODEL_KEY}")
        response = s3.get_object(Bucket=S3_BUCKET, Key=latest_model_key)
        model_bytes = io.BytesIO(response["Body"].read())
        model = joblib.load(model_bytes)
        print("Modèle chargé avec succès")
    except Exception as e:
        print(f"Erreur chargement modèle : {e}")
        raise RuntimeError(f"Impossible de charger le modèle : {e}")

# === Routes ===
@app.get("/")
def home():
    return {"message": "Bienvenue sur l'API Fraude détéction - Utilisez /predict pour faire une prédiction"}


@app.post("/predict")
def predict(data: InputData):
    try:
        
        df = pd.DataFrame([data.dict()])
        print("Données reçues :", df.head(1).to_dict())
        
        prediction = model.predict(df)
        is_fraud = int(prediction[0])

        return {"is_fraud": is_fraud}

    except Exception as e:
        print(f"Erreur prédiction : {e}")
        raise HTTPException(status_code=500, detail=str(e))
    
@app.post("/reload-model")
def reload_model(background_tasks: BackgroundTasks):
    """
    Recharge le dernier modèle S3 sans redémarrer l'API.
    """
    background_tasks.add_task(load_latest_model)
    latest_key = get_latest_model_key()
    return {"status - Rechargement en arrière-plan modèle :", latest_key}  

	from fastapi import FastAPI, HTTPException
	from fastapi import BackgroundTasks
	from pydantic import BaseModel
	from typing import Literal
	import pandas as pd
	import boto3
	import joblib
	import os
	import io

	# === Initialisation FastAPI ===
	app = FastAPI(
	title="Fraude Détection API",
	description="""
	### 🎯 Description
	Cette API permet de détecter automatiquement les transactions potentiellement frauduleuses en se basant sur un modèle de machine learning entraîné avec des données historiques de paiements.

	Elle reçoit en entrée les caractéristiques complètes d’une transaction bancaire (hors identifiants techniques comme Unnamed: 0 et trans_num), puis renvoie une prédiction :

	1 → transaction frauduleuse

	0 → transaction légitime

	Le modèle est chargé dynamiquement depuis le registre de modèles MLflow (ou S3), garantissant une traçabilité complète et une mise à jour continue.

	🧾 Champs d’entrée attendus (JSON)
	Champ Type Description
	cc_num float Numéro de carte anonymisé
	merchant string Nom du commerçant ou de l’établissement
	category string Catégorie du commerçant (ex : "gas_transport", "shopping_net", "travel")
	amt float Montant de la transaction
	first string Prénom du client
	last string Nom du client
	gender string Sexe du client ("M" ou "F")
	street string Adresse postale du client
	city string Ville du client
	state string Code État ou Région (ex : "TX", "CA")
	zip int Code postal
	lat float Latitude du domicile
	long float Longitude du domicile
	city_pop int Population de la ville
	job string Profession du client
	merch_lat float Latitude du commerçant
	merch_long float Longitude du commerçant
	year int Année de la transaction
	month int Mois de la transaction
	day int Jour de la transaction
	hour int Heure de la transaction
	minute int Minute de la transaction
	second int Seconde de la transaction
	dob_year : int année de naissance
	dob_month : int mois de naissance
	dob_day : int jour de naissance



	Voici un exemple :

	{
	"cc_num": 3593118134380341,
	"merchant": "fraud_Jacobi and Sons",
	"category": "shopping_pos",
	"amt": 9.01,
	"first": "Laura",
	"last": "Casey",
	"gender": "F",
	"street": "6114 Moran Way",
	"city": "Steuben",
	"state": "WI",
	"zip": 54657,
	"lat": 43.1457,
	"long": -91.1021,
	"city_pop": 291,
	"job": "Scientist, clinical (histocompatibility and immunogenetics)",
	"merch_lat": 43.1503,
	"merch_long": -91.0976,
	"year": 2025,
	"month": 11,
	"day": 22,
	"hour": 10,
	"minute": 29,
	"second": 6,
	"dob_year": 1959,
	"dob_month": 5,
	"dob_day": 10
	}


	""",
	version="1.0"
	)

	# === Schéma attendu pour l'entrée ===
	class InputData(BaseModel):
	cc_num: int
	merchant: str
	category: str
	amt: float
	first: str
	last: str
	gender: Literal["M", "F"]
	street: str
	city: str
	state: str
	zip: int
	lat: float
	long: float
	city_pop: int
	job: str
	merch_lat: float
	merch_long: float
	year : int
	month : int
	day : int
	hour : int
	minute : int
	second : int
	dob_year : int
	dob_month : int
	dob_day : int

	# === Configuration S3 ===
	S3_BUCKET = os.getenv("S3_BUCKET")
	S3_PREFIX = "mlflow/models/"
	s3 = boto3.client("s3")

	def get_latest_model_key():
	try:
	response = s3.list_objects_v2(
	Bucket=S3_BUCKET,
	Prefix=S3_PREFIX
	)

	if "Contents" not in response:
	raise ValueError("Aucun modèle trouvé dans le bucket S3.")

	# Filtrer uniquement les .joblib
	models = [
	obj for obj in response["Contents"]
	if obj["Key"].endswith(".joblib")
	]

	if not models:
	raise ValueError("Aucun fichier .joblib trouvé.")

	# Trier par LastModified (date d'upload dans S3)
	models.sort(key=lambda x: x["LastModified"], reverse=True)

	latest_key = models[0]["Key"]
	print(f"Dernier modèle détecté : {latest_key}")
	return latest_key

	except Exception as e:
	raise RuntimeError(f"Erreur récupération modèle S3 : {e}")

	def load_latest_model():
	global model
	latest_model_key = get_latest_model_key()
	print(f"Rechargement du modèle : {latest_model_key}")

	response = s3.get_object(Bucket=S3_BUCKET, Key=latest_model_key)
	model_bytes = io.BytesIO(response["Body"].read())

	model = joblib.load(model_bytes)
	print("Nouveau modèle chargé avec succès")
	return latest_model_key

	@app.on_event("startup")
	def load_model():
	global model
	try:
	latest_model_key = get_latest_model_key()
	print(f"Téléchargement du dernier modèle depuis s3://{S3_BUCKET}/{latest_model_key}")

	# print(f"Téléchargement du modèle depuis s3://{S3_BUCKET}/{MODEL_KEY}")
	response = s3.get_object(Bucket=S3_BUCKET, Key=latest_model_key)
	model_bytes = io.BytesIO(response["Body"].read())
	model = joblib.load(model_bytes)
	print("Modèle chargé avec succès")
	except Exception as e:
	print(f"Erreur chargement modèle : {e}")
	raise RuntimeError(f"Impossible de charger le modèle : {e}")

	# === Routes ===
	@app.get("/")
	def home():
	return {"message": "Bienvenue sur l'API Fraude détéction - Utilisez /predict pour faire une prédiction"}


	@app.post("/predict")
	def predict(data: InputData):
	try:

	df = pd.DataFrame([data.dict()])
	print("Données reçues :", df.head(1).to_dict())

	prediction = model.predict(df)
	is_fraud = int(prediction[0])

	return {"is_fraud": is_fraud}

	except Exception as e:
	print(f"Erreur prédiction : {e}")
	raise HTTPException(status_code=500, detail=str(e))

	@app.post("/reload-model")
	def reload_model(background_tasks: BackgroundTasks):
	"""
	Recharge le dernier modèle S3 sans redémarrer l'API.
	"""
	background_tasks.add_task(load_latest_model)
	latest_key = get_latest_model_key()
	return {"status - Rechargement en arrière-plan modèle :", latest_key}