Modello funzionante su chiamata API

app/api/main.py

@@ -1,5 +1,7 @@
 from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
+# Importiamo l'istanza del modello che abbiamo appena creato
+from app.model.loader import model_instance
 
 # 1. Inizializziamo l'app
 app = FastAPI(
@@ -18,30 +20,28 @@ class SentimentResponse(BaseModel):
     sentiment: str
     confidence: float
 
-# 3. Endpoint di Health Check (fondamentale per MLOps e Docker)
+# 3. Endpoint di default (la nostra Home che consiglia reindirizzamento a docs)
+@app.get("/")
+def home():
+    return {"message": "Reputation Monitor API is running. Go to /docs for Swagger UI."}
+
+# 4. Endpoint di Health Check (fondamentale per MLOps e Docker)
 # Serve a capire se il container è vivo
 @app.get("/health")
 def health_check():
     return {"status": "ok", "message": "Service is running"}
 
-# 4. Endpoint di Previsione (Dummy per ora)
+# 5. Endpoint di Previsione (Dummy per ora)
 @app.post("/predict", response_model=SentimentResponse)
 def predict_sentiment(request: SentimentRequest):
-    """
-    Riceve un testo e restituisce il sentiment (Positive, Neutral, Negative).
-    """
-    # TODO: Qui caricheremo il modello ML vero!
-    # Per ora simuliamo una risposta logica
-    print(f"Analyzing text: {request.text}")
-    
-    # Logica finta (Mock) per testare l'API
-    mock_sentiment = "neutral"
-    if "ottimo" in request.text.lower():
-        mock_sentiment = "positive"
-    elif "pessimo" in request.text.lower():
-        mock_sentiment = "negative"
+    try:
+        # Chiamiamo la funzione predict del nostro loader
+        sentiment, confidence = model_instance.predict(request.text)
         
-    return {
-        "sentiment": mock_sentiment,
-        "confidence": 0.95
-    }
+        return {
+            "sentiment": sentiment,
+            "confidence": confidence
+        }
+    except Exception as e:
+        # Se qualcosa va storto, restituiamo errore 500
+        raise HTTPException(status_code=500, detail=str(e))

app/model/loader.py

@@ -0,0 +1,46 @@
+from transformers import AutoTokenizer, AutoModelForSequenceClassification, AutoConfig
+import numpy as np
+from scipy.special import softmax
+
+# Questo è il modello specifico richiesto dall'esercizio
+MODEL_NAME = "cardiffnlp/twitter-roberta-base-sentiment-latest"
+
+class SentimentModel:
+    def __init__(self):
+        print(f"🔄 Loading model: {MODEL_NAME}...")
+        # Scarichiamo Tokenizer (trasforma testo in numeri) e Modello (Rete Neurale)
+        self.tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
+        self.config = AutoConfig.from_pretrained(MODEL_NAME)
+        self.model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
+        print("✅ Model loaded successfully!")
+
+    def predict(self, text: str):
+        # 1. Preprocessing
+        # Trasformiamo il testo in input per RoBERTa (truncation=True taglia i tweet troppo lunghi)
+        encoded_input = self.tokenizer(text, return_tensors='pt', truncation=True, max_length=512)
+        
+        # 2. Inferenza (Il passaggio nella rete neurale)
+        output = self.model(**encoded_input)
+        
+        # 3. Post-processing
+        # L'output sono "logits" (punteggi grezzi), usiamo Softmax per avere probabilità (0-1)
+        scores = output[0][0].detach().numpy()
+        scores = softmax(scores)
+        
+        # 4. Mappatura Etichette
+        # Questo modello specifico usa l'ordine: 0 -> Negative, 1 -> Neutral, 2 -> Positive
+        labels = ["negative", "neutral", "positive"]
+        
+        # Troviamo l'indice con il punteggio più alto
+        ranking = np.argsort(scores)
+        ranking = ranking[::-1] # Ordiniamo decrescente
+        
+        top_label_id = ranking[0]
+        top_label = labels[top_label_id]
+        confidence = scores[top_label_id]
+        
+        return top_label, float(confidence)
+
+# Istanziamo il modello UNA VOLTA sola qui. 
+# Quando importiamo 'model_instance' negli altri file, sarà già caricato.
+model_instance = SentimentModel()

requirements.txt

@@ -9,6 +9,10 @@ pydantic==2.6.0
 pandas
 scikit-learn
 joblib
+torch
+transformers
+scipy
+numpy
 
 # --- Testing ---
 pytest