app.py

import gradio as gr
import joblib
import numpy as np
import os

# Carrega o pipeline baseline (TF-IDF + LogisticRegression)
MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")

if not os.path.exists(MODEL_PATH):
    raise FileNotFoundError(f"Arquivo de modelo não encontrado: {MODEL_PATH}. Faça upload de baseline_pipe.pkl.")

baseline = joblib.load(MODEL_PATH)

def predict_sentiment(text: str):
    if not text or text.strip() == "":
        return {"predição": "n/a", "confiança": 0.0}
    proba = baseline.predict_proba([text])[0]
    pred = int(np.argmax(proba))
    label = "positivo" if pred == 1 else "negativo"
    conf = float(np.max(proba))
    return {"predição": label, "confiança": conf}

demo = gr.Interface(
    fn=predict_sentiment,
    inputs=gr.Textbox(label="Digite uma avaliação de produto"),
    outputs=gr.JSON(label="Resultado"),
    title="Análise de Sentimentos (Amazon Polarity)",
    description="Pipeline TF-IDF + Regressão Logística. Faça upload de baseline_pipe.pkl gerado no notebook."
)

if __name__ == "__main__":
    demo.launch()