README.md

metadata

title: Radar Avis Clients
emoji: 📡
colorFrom: green
colorTo: blue
sdk: streamlit
sdk_version: 1.62.0
app_file: app.py
pinned: false
license: mit
hardware: cpu-basic

📡 Radar d'avis clients — Waaw Telecom (démo)

Application Streamlit qui ingère un CSV d'avis clients en français et répond en moins d'une minute à trois questions : les clients sont-ils satisfaits ? De quoi parlent-ils ? Que faut-il retenir en trois lignes ?

TP13 — Module 5 (Déploiement), Master IA.

Capture d'écran

(à ajouter après le premier lancement local — onglet Synthèse du tableau de bord)

Format du CSV attendu

Colonne	Obligatoire	Description
id	oui	identifiant unique de l'avis
date	oui	date de l'avis (AAAA-MM-JJ)
avis	oui	texte de l'avis, en français
note	non	note client de 1 à 5, sert de vérité terrain pour évaluer le modèle

Un jeu de démonstration de 200 avis synthétiques est fourni dans data/exemple_avis.csv et se charge automatiquement si aucun fichier n'est déposé.

Modèles utilisés

Tête	Modèle	Rôle
Sentiment	cmarkea/distilcamembert-base-sentiment	classification positif / neutre / négatif + score de confiance
Thèmes	MoritzLaurer/mDeBERTa-v3-base-mnli-xnli	zero-shot multi-étiquettes sur les thèmes choisis
Résumé	plguillou/t5-base-fr-sum-cnndm	synthèse des avis négatifs (activable, tête la plus lente)

Évaluation contre la vérité terrain

Quand la colonne note est présente, un onglet Évaluation calcule l'accuracy et le F1-score du modèle de sentiment contre la note client binarisée (≤2 négatif, ≥4 positif, 3 exclu), via la bibliothèque evaluate (evaluate.load("accuracy"), evaluate.load("f1")) plutôt qu'un calcul manuel, et affiche la matrice de confusion correspondante.

Architecture du dépôt

radar-avis-clients/
├── app.py                 # point d'entrée Streamlit (interface + tableau de bord)
├── moteur.py               # chargement (cache_resource) et analyse par lots
├── requirements.txt        # dépendances épinglées
├── README.md                # ce fichier (en-tête YAML du Space)
├── .streamlit/config.toml   # thème de l'application
├── data/exemple_avis.csv    # jeu de démonstration (200 avis)
├── data/generer_donnees.py  # script ayant généré le jeu de démonstration
├── demo_rerun.py             # étape 1.1 — démo du rerun Streamlit
└── demo_cache.py             # étape 1.2 — mesure du coût du cache

Lancer en local

python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
streamlit run app.py

Coût d'exécution observé

(à compléter après déploiement — voir rapport, questions 3, 6 et 11 : temps de build, temps de premier affichage, facteur d'accélération mesuré)

Limites et biais

À éprouver explicitement et documenter (voir rapport) :

• ironie : « bravo pour les trois jours sans réseau, du grand art » — le modèle de sentiment n'est pas entraîné pour détecter le second degré et risque de classer ce type d'avis comme positif ou neutre.
• français mêlé de wolof : « réseau bi dafa bon, merci beaucoup » — le modèle traite le texte comme du français bruit ; les segments en wolof sont ignorés ou mal tokenisés, ce qui peut dégrader le score de confiance.
• avis très courts (« ok », « bof ») : peu de signal lexical, le modèle est souvent moins confiant (score proche de 0,5) sur ces cas.

Comparaison avec le Space Gradio (TP9)

Voir le rapport pour la comparaison argumentée sur les cinq axes : modèle d'exécution, gestion de l'état, mise en page, latence perçue, facilité de mise en production.

Secrets

Si un modèle privé est utilisé, ajouter un HF_TOKEN dans Settings → Variables and secrets du Space et le lire via os.environ["HF_TOKEN"] — jamais en dur dans le code ni dans un .streamlit/secrets.toml versionné.