🤖 Hybrid-Analyzer 🤖

🎯 Contexte du projet

L’agence spécialisée en media monitoring souhaite automatiser l’analyse de centaines d’articles de presse reçus chaque jour.

Actuellement, le traitement est entièrement manuel, ce qui est :

• Lent
• Coûteux
• Difficile à fiabiliser à grande échelle
• Dépendant de l’expertise humaine pour catégoriser et synthétiser les contenus

Pour industrialiser ce processus, la direction souhaite mettre en place une application fullstack interne, sécurisée et maintenable, capable d’orchestrer deux services d’IA externes :

• Classification Zero-Shot (Hugging Face)

  • Modèle : facebook/bart-large-mnli
  • Utilisé pour déterminer la catégorie probable d’un texte (Finance, RH, IT, Opérations, etc.)

• Analyse et Synthèse Contextuelle (API Gemini)

  • Génération d’un résumé ciblé
  • Évaluation du ton (positif, négatif, neutre)
  • Gemini reçoit la catégorie issue de Hugging Face comme contexte dans son prompt

La direction confie à votre équipe la conception et le développement de l’application Hybrid-Analyzer, qui doit garantir :

• Sécurité
• Qualité du code
• Orchestrations fiables
• Logs exploitables
• Tests automatisés

---

🔍 Le Besoin

L’entreprise souhaite une plateforme fullstack qui :

1. Reçoit un texte brut (article, paragraphe, note)
2. Envoie ce texte à Hugging Face pour une classification Zero-Shot
3. Transmet ensuite la classification à Gemini pour une synthèse contextuelle
4. Retourne au frontend un JSON structuré contenant :
   • La catégorie prédite
   • Le score associé
   • Le résumé généré
   • Le ton détecté
5. Gère l’ensemble du workflow de façon sécurisée (authentification + gestion d’erreurs)
6. Fournisse une interface web claire permettant :
   • L’envoi de texte
   • L’affichage de la classification et de la synthèse
   • Un retour visuel (loading / success / erreurs)

---

📋 La réalisation

1. Backend (Python) – Orchestration complète

Fonctionnalités à implémenter :

• Endpoint /analyze recevant un texte à analyser
• Appel au service Hugging Face :
  • Modèle : facebook/bart-large-mnli
  • Gestion des scores faibles, timeouts, erreurs réseau, réponses invalides
• Transmission du résultat à Gemini via un prompt contextualisé
• Agrégation des réponses HF + Gemini
• Retour d’un JSON structuré au frontend
• Sécurisation du backend (JWT)

---

2. Authentification JWT

Endpoints obligatoires :

• POST /register
  • Enregistrer un utilisateur dans PostgreSQL
  • Stockage du mot de passe hashé (bcrypt recommandé)
• POST /login
  • Renvoie un token JWT signé
• POST /analyze
  • Protégé par JWT

---

3. Base de Données PostgreSQL

• Table users :
  | id | username | passwordhash | createdat |

---

4. Intégration Hugging Face Zero-Shot Classification

• Utilisation de l’API Inference
• Header d’authentification (token HF)

---

5. Intégration de l’API Gemini

• Prompt Engineering incluant :
  • Le texte source
  • La catégorie prédite par Hugging Face
  • Les contraintes de synthèse (longueur, ton, structure)
• Détection du ton : positif / neutre / négatif
• Gestion des erreurs Gemini (réponses mal formées, API down)

---

6. Frontend (Next.js / React / HTML, CSS, JS)

Pages attendues :

• /analyze
• /auth : Inscription / Connexion
• Gestion du token JWT côté client

---

7. Tests Unitaires et Qualité

• Mock complet de l’API :
  • Mock Hugging Face
  • Mock Gemini

---

🚀 Technologies Utilisées

• Backend : Python, FastAPI
• Frontend : React / Next.js / HTML, CSS, JS
• Base de données : PostgreSQL
• IA externes : Hugging Face, API Gemini
• Sécurité : JWT, bcrypt

---

Exemple de JSON retourné par /analyze

{
  "category": "Finance",
  "score": 0.87,
  "summary": "Résumé synthétique du texte fourni...",
  "tone": "positif"
}