Spaces:
Sleeping
Sleeping
File size: 3,529 Bytes
7f678ee fc2970a 3c71d7f fc2970a 3c71d7f fc2970a bc84fc0 fc2970a bc84fc0 fc2970a bc84fc0 fc2970a bc84fc0 3c71d7f bc84fc0 3c71d7f fc2970a bc84fc0 fc2970a bc84fc0 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 |
---
title: Darija AICC NLU API
emoji: 🚀
colorFrom: indigo
colorTo: blue
sdk: docker
app_port: 8000
---
# API de Classification d'Intention en Darija pour AICC
Ce projet a été développé dans le cadre d'un Projet de Fin d'Études visant à intégrer le dialecte marocain "Darija" dans la solution **AICC (Artificial Intelligence Contact Center)** de Huawei.
L'API utilise un modèle **MARBERTv2**, un Transformer pré-entraîné pour l'arabe et ses dialectes, qui a été fine-tuné sur un corpus personnalisé pour classifier les intentions des utilisateurs s'exprimant en Darija.
[](https://mediani-darija-aicc-api.hf.space/docs)
---
## 🚀 API Déployée et Documentation Interactive
L'API est en ligne et pleinement fonctionnelle. Vous pouvez la tester en direct grâce à l'interface Swagger UI générée automatiquement.
**➡️ [Tester l'API interactivement ici](https://mediani-darija-aicc-api.hf.space/docs)**
---
## 🔧 Comment Utiliser l'API
L'API expose un endpoint principal `/predict` qui accepte les requêtes `POST` pour la classification d'intention.
### Exemple de Requête avec `curl`
Voici comment interroger l'API depuis un terminal :
```bash
curl -X 'POST' \
'https://mediani-darija-aicc-api.hf.space/predict' \
-H 'accept: application/json' \
-H 'Content-Type: application/json' \
-d '{"text": "Salam, la connexion 4G naqsa 3ndi bzaf"}'
```
### Exemple de Réponse Attendue
L'API retournera un objet JSON avec l'intention (intent) prédite par le modèle et son score de confiance (confidence).
```json
{
"intent": "declarer_panne",
"confidence": 0.9954321098
}
```
---
## 📋 Liste des Intentions Reconnues
Le modèle a été entraîné pour reconnaître et classifier les 9 intentions suivantes, qui sont les plus courantes dans un contexte de service client :
- **consulter_solde**: Demandes concernant le solde, la recharge ou les données restantes.
- **reclamer_facture**: Réclamations concernant une facture (montant élevé, erreur...).
- **declarer_panne**: Signalement d'un problème technique (panne réseau, connexion lente...).
- **info_forfait**: Demandes d'informations sur les produits, offres et abonnements.
- **recuperer_mot_de_passe**: Demandes liées à la réinitialisation d'un mot de passe ou d'un code.
- **salutations**: Salutations et début de conversation.
- **remerciements**: Expressions de gratitude.
- **demander_agent_humain**: Demande explicite de parler à un conseiller humain.
- **hors_scope**: Toute demande hors du périmètre du service client.
## 🛠️ Stack Technique & Cycle de Vie du Projet
Ce projet a été réalisé en suivant un cycle de vie complet, du prototypage au déploiement :
- **Modèle**: UBC-NLP/MARBERTv2 fine-tuné avec la bibliothèque transformers de Hugging Face.
- **Corpus**: Un corpus personnalisé a été assemblé en combinant la collecte de données (Twitter, YouTube), la génération par IA, et l'annotation manuelle avec Doccano.
- **Framework API**: FastAPI, pour sa rapidité et sa génération automatique de documentation.
- **Conteneurisation**: Docker, pour garantir la portabilité et la reproductibilité de l'environnement.
- **Versionnement**: Git & Git LFS pour gérer les gros fichiers de modèle (plus de 100 Mo).
- **Déploiement**: L'API est hébergée sur Hugging Face Spaces, fournissant une solution CI/CD (intégration et déploiement continus) à partir d'un dépôt Git. |