Update src/module/AIP.py

src/module/AIP.py

@@ -1,14 +1,9 @@
 """
-MODULE JASMINE AGENT - VERSION ULTIME (FULL STACK INTEGRATION)
-==============================================================
-Responsabilité : Agent IA centralisé avec contrôle total sur la chaîne de données.
-Capacités : 
-1. ETL (Nettoyage)
-2. Dashboard (KPIs Présent)
-3. Data Lab (Exploration Passé)
-4. Data Quality (Audit Fiabilité)
-5. Feature Engineering (Préparation ML)
-6. Forecasting (Prédiction Futur & Alertes)
+MODULE JASMINE AGENT - VERSION ULTIME (FULL STACK + EMPATHIE)
+=============================================================
+Responsabilité : Agent IA centralisé.
+Capacités : ETL, Dashboard, Data Lab, DQ, Features, Forecasting.
+Ton : Professionnel, Proactif et Humain.
 """
 
 import google.generativeai as genai
@@ -84,37 +79,16 @@ class JasmineAgent:
         
         # --- CARTE DES OUTILS ---
         self.tools_map = {
-            "run_etl_pipeline": {
-                "func": self._run_etl_wrapper, 
-                "desc": "1. ETL : Nettoyage et mise à jour des données."
-            },
-            "run_feature_engineering": {
-                "func": self._run_features_wrapper,
-                "desc": "2. ML Prep : Transformation des données pour l'IA (Lags, Rolling)."
-            },
-            "train_forecasting_models": {
-                "func": self._train_models_wrapper,
-                "desc": "3. Training : Entraînement des modèles prédictifs (XGBoost/LightGBM)."
-            },
-            "get_future_forecast": {
-                "func": self._get_forecast_wrapper,
-                "desc": "4. Prédiction : Obtenir les prévisions futures et les alertes de saturation."
-            },
-            "get_hospital_kpis": {
-                "func": self._get_kpis_wrapper, 
-                "desc": "5. Dashboard : KPIs actuels (Lits, RH, Stocks)."
-            },
-            "analyze_patient_stats": {
-                "func": self._get_data_exploration_wrapper, 
-                "desc": "6. Data Lab : Stats patients passées."
-            },
-            "get_data_quality_report": {
-                "func": self._get_dq_stats_wrapper, 
-                "desc": "7. Audit : Qualité et fiabilité des données."
-            }
+            "run_etl_pipeline": {"func": self._run_etl_wrapper, "desc": "1. ETL : Nettoyage et mise à jour des données."},
+            "run_feature_engineering": {"func": self._run_features_wrapper, "desc": "2. ML Prep : Transformation des données pour l'IA."},
+            "train_forecasting_models": {"func": self._train_models_wrapper, "desc": "3. Training : Entraînement des modèles prédictifs."},
+            "get_future_forecast": {"func": self._get_forecast_wrapper, "desc": "4. Prédiction : Obtenir les prévisions futures."},
+            "get_hospital_kpis": {"func": self._get_kpis_wrapper, "desc": "5. Dashboard : KPIs actuels (Lits, RH, Stocks)."},
+            "analyze_patient_stats": {"func": self._get_data_exploration_wrapper, "desc": "6. Data Lab : Stats patients passées."},
+            "get_data_quality_report": {"func": self._get_dq_stats_wrapper, "desc": "7. Audit : Qualité et fiabilité des données."}
         }
 
-    # --- WRAPPERS TECHNIQUES (LES BRAS DE L'IA) ---
+    # --- WRAPPERS TECHNIQUES ---
 
     def _run_etl_wrapper(self, args=None):
         try:
@@ -128,12 +102,9 @@ class JasmineAgent:
 
     def _run_features_wrapper(self, args=None):
         try:
-            if 'data_explorer' not in st.session_state:
-                return {"status": "erreur", "message": "Lancez l'ETL d'abord."}
-            
+            if 'data_explorer' not in st.session_state: return {"status": "erreur", "message": "Lancez l'ETL d'abord."}
             engineer = FeatureEngineer(st.session_state.data_explorer)
             df_final, msg = engineer.build_full_dataset()
-            
             if df_final is not None:
                 st.session_state['ml_features'] = df_final
                 return {"status": "succès", "details": {"lignes": len(df_final), "features": len(df_final.columns)}}
@@ -142,45 +113,29 @@ class JasmineAgent:
 
     def _train_models_wrapper(self, args=None):
         try:
-            if 'ml_features' not in st.session_state:
-                return {"status": "erreur", "message": "Aucune feature ML. Lancez 'run_feature_engineering'."}
-            
+            if 'ml_features' not in st.session_state: return {"status": "erreur", "message": "Features manquantes."}
             forecaster = HospitalForecaster(st.session_state['ml_features'])
-            forecaster.prepare_data(target_col='nb_admissions') # Cible par défaut
+            forecaster.prepare_data(target_col='nb_admissions')
             metrics = forecaster.train_all_models()
-            
             st.session_state['forecaster'] = forecaster
             st.session_state['metrics'] = metrics
-            
-            best_model = forecaster.best_model_name
-            return {"status": "succès", "details": {"best_model": best_model, "r2": metrics[best_model]['R²'], "mae": metrics[best_model]['MAE']}}
+            best = forecaster.best_model_name
+            return {"status": "succès", "details": {"best_model": best, "r2": metrics[best]['R²'], "mae": metrics[best]['MAE']}}
         except Exception as e: return {"status": "crash", "message": str(e)}
 
     def _get_forecast_wrapper(self, args=None):
         try:
-            if 'forecaster' not in st.session_state:
-                return {"status": "erreur", "message": "Modèles non entraînés. Lancez 'train_forecasting_models'."}
-            
+            if 'forecaster' not in st.session_state: return {"status": "erreur", "message": "Modèles non entraînés."}
             forecaster = st.session_state['forecaster']
-            # Prédiction sur 3 mois
             dates, values, _ = forecaster.generate_future_forecast_recursive(months=3)
             alerts = forecaster.detect_future_anomalies(values)
-            
-            return {
-                "status": "succès", 
-                "details": {
-                    "tendance": "Hausse" if values[-1] > values[0] else "Baisse",
-                    "max_prevu": float(np.max(values)),
-                    "alerte_count": len(alerts),
-                    "prochaine_alerte": alerts[0] if alerts else None
-                }
-            }
+            return {"status": "succès", "details": {"tendance": "Hausse" if values[-1] > values[0] else "Baisse", "max_prevu": float(np.max(values)), "alerte_count": len(alerts), "prochaine_alerte": alerts[0] if alerts else None}}
         except Exception as e: return {"status": "crash", "message": str(e)}
 
     def _get_kpis_wrapper(self, args=None):
         try:
             dash = HospitalDashboard(self.gspread_client, "bdd_mvp_faker")
-            if not dash.load_data(): return {"status": "erreur", "message": "Data non chargées."}
+            if not dash.load_data(): return {"status": "erreur", "message": "Données Dashboard indisponibles."}
             return {"status": "succès", "details": dash._get_kpis()}
         except Exception as e: return {"status": "crash", "message": str(e)}
 
@@ -195,6 +150,9 @@ class JasmineAgent:
                 df_pat['age'] = pd.to_numeric(df_pat['age'], errors='coerce')
                 stats['age_moyen'] = round(df_pat['age'].mean(), 1)
                 stats['total_patients'] = len(df_pat)
+                counts = df_pat['sexe'].value_counts(normalize=True)
+                stats['ratio_hommes'] = round(counts.get('M', 0) * 100, 1)
+                stats['ratio_femmes'] = round(counts.get('F', 0) * 100, 1)
             if df_sej is not None:
                 stats['pathologie_top'] = df_sej['pathologie_code'].mode()[0]
             return {"status": "succès", "details": stats}
@@ -208,54 +166,70 @@ class JasmineAgent:
             return {"status": "succès", "details": {"score": scores['global'], "anomalies": dq.metrics['patients']['anomalies']}}
         except Exception as e: return {"status": "crash", "message": str(e)}
 
-    # --- MOTEUR DE DIAGNOSTIC ---
-    def _generate_diagnostic(self, tool_name, data):
-        """Génère des insights basés sur les résultats"""
-        alerts = []
+    # --- HUMANISATION (Le Moteur de Personnalité) ---
+    def _generate_human_response(self, tool_name, d):
+        """Traduit les données JSON en langage naturel professionnel"""
         
         if tool_name == "get_hospital_kpis":
-            taux = float(data.get('taux_global', 0))
-            if taux >= 95: alerts.append("🔴 **CRITIQUE :** Saturation > 95%. Plan Blanc recommandé.")
-            elif taux >= 85: alerts.append("🟠 **ATTENTION :** Tensions fortes sur les lits.")
-            if int(data.get('nb_ruptures', 0)) > 0: alerts.append("📦 **STOCK :** Ruptures détectées.")
+            taux = float(d.get('taux_global', 0))
+            rh = max(0, d.get('tension_rh', 0))
+            ruptures = int(d.get('nb_ruptures', 0))
+            
+            msg = "Voici la situation actuelle de l'établissement :\n\n"
+            if taux > 95: msg += f"🔴 **URGENCE :** Saturation critique (**{taux:.1f}%**). Plan Blanc recommandé.\n"
+            elif taux > 85: msg += f"🟠 **Tension :** L'occupation est élevée (**{taux:.1f}%**).\n"
+            else: msg += f"🟢 **Lits :** Situation calme (**{taux:.1f}%** d'occupation).\n"
+            
+            if rh > 20: msg += f"⚠️ **RH :** Tension forte sur le personnel (**{rh:.1f}%** manquant).\n"
+            else: msg += f"✅ **RH :** Effectifs stables.\n"
+            
+            if ruptures > 0: msg += f"📦 **Logistique :** {ruptures} rupture(s) de stock détectée(s)."
+            else: msg += "📦 **Logistique :** Stocks au vert."
+            return msg
 
         elif tool_name == "get_future_forecast":
-            if data.get('alerte_count', 0) > 0:
-                next_alert = data['prochaine_alerte']
-                alerts.append(f"🔮 **PRÉVISION :** Pic d'activité anormal prévu à J+{next_alert['day']} (Valeur: {next_alert['value']:.0f}).")
-            if data.get('tendance') == "Hausse":
-                alerts.append("📈 **TENDANCE :** Les admissions sont sur une pente ascendante pour le trimestre à venir.")
+            tendance = d['tendance']
+            max_p = d['max_prevu']
+            alerts = d.get('alerte_count', 0)
+            msg = f"Selon mes modèles, la tendance à 3 mois est à la **{tendance}**.\n"
+            msg += f"Le pic d'admissions prévu est de **{max_p:.0f} patients/jour**.\n\n"
+            if alerts > 0:
+                next_alert = d['prochaine_alerte']
+                msg += f"⚠️ **Vigilance :** Un pic anormal est détecté autour de **J+{next_alert['day']}**."
+            else: msg += "✅ Aucune anomalie majeure prévue."
+            return msg
 
         elif tool_name == "train_forecasting_models":
-            r2 = data.get('r2', 0)
-            if r2 > 0.8: alerts.append("✅ **IA PERFORMANCE :** Le modèle est très fiable (>80%).")
-            else: alerts.append("⚠️ **IA PERFORMANCE :** Fiabilité moyenne, prudence sur les prédictions.")
+            return f"Entraînement terminé. Le modèle **{d['best_model']}** est le plus performant (Fiabilité : **{d['r2']*100:.1f}%**)."
 
-        if alerts: return "\n\n" + "\n".join(alerts)
-        return ""
+        elif tool_name == "run_etl_pipeline":
+            return f"Mise à jour effectuée. La base contient maintenant **{d['total_rows_clean']:,}** lignes consolidées."
 
-    # --- LOGIQUE PRINCIPALE ---
+        elif tool_name == "run_feature_engineering":
+            return f"Préparation ML terminée : **{d['lignes']:,} vecteurs** générés avec **{d['features']} variables** d'analyse."
 
-    def build_system_prompt(self):
-        tools_desc = "\n".join([f"- {k}: {v['desc']}" for k, v in self.tools_map.items()])
-        return f"""
-        ROLE: Tu es Jasmine, l'IA de supervision Hospitalière.
-        OUTILS :
-        {tools_desc}
-        RÈGLES :
-        1. Utilise 'get_future_forecast' pour les questions sur l'avenir.
-        2. Utilise 'train_forecasting_models' si l'utilisateur veut mettre à jour l'IA.
-        3. Réponds TOUJOURS en JSON :
-        {{
-          "thought": "Raisonnement...",
-          "tool": "nom_outil" (ou "none"),
-          "answer": "Réponse directe si tool=none",
-          "args": {{}} 
-        }}
-        """
+        elif tool_name == "analyze_patient_stats":
+            return f"Analyse sur **{d['total_patients']} patients**. Âge moyen : **{d['age_moyen']} ans**. Pathologie dominante : **{d['pathologie_top']}**."
+
+        elif tool_name == "get_data_quality_report":
+            score = d['score']
+            if score > 85: return f"🛡️ Données fiables (**{score}/100**)."
+            return f"⚠️ **Attention Data :** Score de qualité faible (**{score}/100**) avec **{d['anomalies']} anomalies**."
 
+        return "Opération réussie."
+
+    # --- INTELLIGENCE PRINCIPALE ---
     def ask(self, user_message, chat_history=[]):
-        system_prompt = self.build_system_prompt()
+        system_prompt = f"""
+        ROLE: Tu es Jasmine, Directrice adjointe virtuelle.
+        TON: Professionnel, concis, proactif.
+        OUTILS:
+        {chr(10).join([f"- {k}: {v['desc']}" for k, v in self.tools_map.items()])}
+        RÈGLES:
+        1. Utilise les outils pour répondre aux faits.
+        2. Réponds TOUJOURS en JSON : {{ "thought": "...", "tool": "...", "args": {{}}, "answer": "..." }}
+        """
+
         response_payload = None
         used_model = None
 
@@ -279,37 +253,18 @@ class JasmineAgent:
         try:
             decision = json.loads(re.sub(r'```json\s*|\s*```', '', response_payload).strip())
             tool_name = decision.get("tool")
-            thought = f"Modèle: {used_model}\n\n{decision.get('thought', '')}"
+            thought = f"🧠 Modèle: {used_model}\n💭 {decision.get('thought', '')}"
             
             if tool_name in self.tools_map:
                 res = self.tools_map[tool_name]["func"]({})
                 if res["status"] == "succès":
-                    d = res["details"]
-                    diagnostic = self._generate_diagnostic(tool_name, d)
-                    
-                    # --- AFFICHAGE DES RÉSULTATS ---
-                    if tool_name == "run_etl_pipeline":
-                        final_response = f"✅ **ETL :** {d['tables_loaded']} tables chargées | {d['total_rows_clean']:,} lignes."
-                    elif tool_name == "run_feature_engineering":
-                        final_response = f"⚙️ **Features :** {d['lignes']:,} vecteurs créés avec {d['features']} variables."
-                    elif tool_name == "train_forecasting_models":
-                        final_response = f"🧠 **Training :** Champion = {d['best_model']} (R²: {d['r2']*100:.1f}% | Erreur moy: {d['mae']:.1f})."
-                    elif tool_name == "get_future_forecast":
-                        final_response = f"🔮 **Oracle :** Tendance {d['tendance']} | Max prévu: {d['max_prevu']:.0f} admissions."
-                    elif tool_name == "get_hospital_kpis":
-                        rh = max(0, d['tension_rh'])
-                        final_response = f"📊 **KPIs :** Lits {d['taux_global']:.1f}% | RH {rh:.1f}% | Stocks {d['nb_ruptures']} ruptures."
-                    elif tool_name == "analyze_patient_stats":
-                        final_response = f"🔬 **Stats :** {d['total_patients']} patients | Âge {d['age_moyen']} ans | Top Patho: {d['pathologie_top']}."
-                    elif tool_name == "get_data_quality_report":
-                        final_response = f"🛡️ **Qualité :** Score {d['score']}/100 | {d['anomalies']} anomalies détectées."
-                    
-                    if diagnostic: final_response += diagnostic
+                    # UTILISATION DE LA NOUVELLE MÉTHODE HUMAINE
+                    final_response = self._generate_human_response(tool_name, res["details"])
                 else:
-                    final_response = f"⚠️ **Erreur :** {res.get('message')}"
+                    final_response = f"⚠️ Problème technique : {res.get('message')}"
                 return final_response, thought, res
             
-            return decision.get("answer", "Je suis à l'écoute."), thought, None
+            return decision.get("answer", "Je vous écoute."), thought, None
         except Exception as e: return f"Erreur système : {str(e)}", None, None
 
 def show_terminal(client, sheet_name="bdd_mvp_faker"):
@@ -326,7 +281,7 @@ def show_terminal(client, sheet_name="bdd_mvp_faker"):
         if msg.get("data"):
             with st.expander("💾 SYSTEM PAYLOAD"): st.json(msg["data"])
     
-    user_input = st.chat_input("Ex: 'Entraîne les modèles' ou 'Prévisions pour le mois prochain'...")
+    user_input = st.chat_input("Ex: 'Analyse les stocks' ou 'Lance la prédiction'...")
     if user_input:
         st.session_state.chat_history.append({"role": "user", "content": user_input})
         st.rerun()