Uso API de HF para aligerar carga

backend/services/analisis_sentimientos.py

@@ -1,9 +1,11 @@
 """
 Este archivo contiene la logica del analisis de sentimientos de los textos introducidos por los usuarios.
-Carga el modelo pysentimiento/robertuito-emotion-analysis localmente via transformers.
+Intenta usar la Inference API de HuggingFace; si falla, carga el modelo localmente via transformers.
 """
 
-from config import EMOTION_MAP, NEGATIVE_EMOTIONS, POSITIVE_EMOTIONS, HF_EMOTION_MODEL
+import requests as http_requests
+
+from config import EMOTION_MAP, NEGATIVE_EMOTIONS, POSITIVE_EMOTIONS, HF_EMOTION_MODEL, HF_TOKEN
 
 
 AROUSAL_BY_MODEL_LABEL = {
@@ -55,9 +57,38 @@ def mapeo_emocion_valencia(emocion: str) -> str:
 
 _pipeline_emociones = None
 
+_HF_INFERENCE_API_URL = f"https://router.huggingface.co/hf-inference/models/{HF_EMOTION_MODEL}"
+
+
+def _analizar_via_api(texto: str) -> list[dict] | None:
+    """Llama a la Inference API de HuggingFace. Devuelve la lista de scores o None si falla."""
+    if not HF_TOKEN:
+        return None
+    try:
+        res = http_requests.post(
+            _HF_INFERENCE_API_URL,
+            headers={"Authorization": f"Bearer {HF_TOKEN}"},
+            json={"inputs": texto},
+            timeout=15,
+        )
+        res.raise_for_status()
+        data = res.json()
+        # La API devuelve [[{label, score}, ...]] para clasificacion
+        raw = data[0] if isinstance(data, list) and data and isinstance(data[0], list) else data
+        if isinstance(raw, list) and raw and "label" in raw[0]:
+            return sorted(raw, key=lambda x: x["score"], reverse=True)
+    except Exception as exc:
+        print(f"Aviso: fallo Inference API de emociones ({exc}). Se prueba modelo local.")
+    return None
+
 
 def crear_clasificador_emociones():
-    """Carga el pipeline de emociones de pysentimiento (se descarga la primera vez)."""
+    """Devuelve None — la carga local se hace bajo demanda en analizar_texto si la API falla."""
+    return None
+
+
+def _obtener_pipeline_local():
+    """Carga el pipeline local de transformers la primera vez que se necesita."""
     global _pipeline_emociones
     if _pipeline_emociones is None:
         try:
@@ -67,32 +98,35 @@ def crear_clasificador_emociones():
                 model=HF_EMOTION_MODEL,
                 top_k=None,
             )
+            print("Modelo de emociones cargado localmente.")
         except Exception as exc:
-            print(f"Aviso: no se pudo cargar el modelo de emociones ({exc}). Se usara neutral.")
-            _pipeline_emociones = None
+            print(f"Aviso: no se pudo cargar el modelo local de emociones ({exc}). Se usara neutral.")
     return _pipeline_emociones
 
 
 def analizar_texto(modelo, texto: str) -> tuple[list[dict], str, str]:
     """
-    Analiza un texto usando el pipeline local de transformers.
+    Analiza un texto. Primero intenta la Inference API de HuggingFace;
+    si falla, usa el modelo local via transformers como fallback.
 
     Returns:
         - resultado: lista de {"label": ..., "score": ...} ordenada de mayor a menor.
         - emocion_dominante: emocion con mayor score en español.
         - valencia: "positivo", "negativo" o "neutro".
     """
-    clf = modelo if modelo is not None else crear_clasificador_emociones()
+    resultado = _analizar_via_api(texto)
 
-    try:
-        if clf is not None:
-            raw = clf(texto)[0]
-            resultado = sorted(raw, key=lambda x: x["score"], reverse=True)
-        else:
+    if resultado is None:
+        clf = modelo if modelo is not None else _obtener_pipeline_local()
+        try:
+            if clf is not None:
+                raw = clf(texto)[0]
+                resultado = sorted(raw, key=lambda x: x["score"], reverse=True)
+            else:
+                resultado = [{"label": "others", "score": 1.0}]
+        except Exception as exc:
+            print(f"Aviso: fallo analisis de emociones local ({exc}). Se usa neutral.")
             resultado = [{"label": "others", "score": 1.0}]
-    except Exception as exc:
-        print(f"Aviso: fallo analisis de emociones ({exc}). Se usa neutral.")
-        resultado = [{"label": "others", "score": 1.0}]
 
     dominant_model = resultado[0]["label"] if resultado else "others"
     dominant_es = EMOTION_MAP.get(dominant_model, "neutral")

requirements.txt

@@ -1,27 +1,5 @@
-# Backend (API)
-Flask==3.0.2
-flask-cors==4.0.0
-requests==2.31.0
-python-dotenv==1.0.0
-
-# Modelo de emociones local (robertuito)
-transformers>=4.40.0
-torch>=2.1.0
-
-#Seguridad
-werkzeug>=2.3.0
-
-# Usadas en los Jupyter Notebooks
-deep-translator==1.11.4
-nltk==3.8.1
-textblob==0.17.1
-datasets==2.14.6
-jupyter==1.0.0
-ipykernel==6.27.1
-
-# Analisis de datos y visualización
-pandas==2.1.4
-numpy==1.24.3
-matplotlib==3.8.3
-seaborn==0.13.1
- 
+flask>=3.0.0
+flask-cors>=4.0.0
+requests>=2.31.0
+werkzeug>=3.1.0
+python-dotenv>=1.0.0