# danangellotti/app_predecir architecture

> Architecture diagram of the GitHub repository danangellotti/app_predecir, generated by GitDiagram from its file tree, README and a sample of source files (last updated 2025-08-29). It is an AI-made overview: check details against the source.

- Interactive diagram: https://gitdiagram.com/danangellotti/app_predecir
- Repository: https://github.com/danangellotti/app_predecir

## Overview

##### Identificación del tipo de proyecto y su propósito
- Según la estructura de archivos y el README, este proyecto es un pequeño servicio de predicción de riesgo de incendios.
- Esencialmente es una API (probablemente en Flask o FastAPI) que carga un modelo SVM preentrenado (`modelo_svm.pkl`), recibe parámetros meteorológicos (humedad, viento, temperatura) y devuelve una predicción de riesgo.

##### Análisis de la estructura de archivos
- `app.py`: punto de entrada de la aplicación, define rutas/endpoints para recibir solicitudes y devolver predicciones.
- `modelo_svm.pkl`: artefacto de machine learning con hiperparámetros ajustados.
- `requirements.txt`: dependencias de Python (flask/fastapi, scikit-learn, etc.).
- `README.md`: descripción de variables de entrada y modelo utilizado.

##### Extracción de insights adicionales del README
- Variables de entrada: Humedad Relativa, Velocidad del Viento, Temperatura.
- El modelo SVM está optimizado para maximizar el *recall*, dando prioridad a detecciones de riesgo moderado/alto.
- No hay base de datos ni front-end separado, es una API que devuelve respuestas en tiempo real.

##### Componentes principales para el diagrama
a. Cliente (p. ej. UI de consumo, script CLI o Postman)
b. API REST (`app.py`)
c. Capa de inferencia:
- Loader del modelo SVM
- Preprocesamiento de entrada (validación de parámetros)
- Ejecución de predicción
d. (Opcional) Sistema de logging o métricas
e. Despliegue (por ejemplo, contenedor Docker, servicio en la nube)

##### Relaciones e interacciones
- El Cliente envía una petición HTTP con parámetros meteorológicos.
- La API recibe y valida estos parámetros.
- La API carga (o mantiene en memoria) el modelo SVM y pasa los datos.
- El modelo genera la predicción de riesgo y la API la formatea en JSON.
- La API devuelve la respuesta al Cliente.
- (Si existe) El sistema de logging almacena índices de uso, latencia o resultados de predicción.

##### Patrones y principios arquitectónicos
- Arquitectura de microservicio muy sencilla (single service).
- Separación de responsabilidades:
- Rutas/API layer
- Lógica de inferencia
- Modelo ML como componente externo
- Principio de carga de modelo lazy vs. carga en arranque (elegir una u otra para rendimiento).

##### Tecnologías y librerías clave
- Framework web: Flask o FastAPI (según `requirements.txt`).
- scikit-learn para cargar `modelo_svm.pkl`.
- (Opcional) Docker para contenerización.
- (Opcional) Prometheus/Grafana para métricas.

##### Guía para adaptar el diagrama a este proyecto
- Dibuja un cuadro grande “API Service” que englobe:
- Endpoints HTTP (POST /predict)
- Módulo de preprocesamiento
- Motor de inferencia SVM
- Fuera del cuadro, coloca “Cliente” con flecha punteada (HTTP Request →) hacia el API Service.
- Dentro, conecta con flechas: Endpoints → Preprocesamiento → Motor SVM → Formateo JSON → Respuesta.
- Agrega un servicio de “Logging/Metrics” (si se usa), con flechas que recogen data de la API.
- Si planeas deployar en contenedor, dibuja un recuadro adicional “Docker Container” o “Kubernetes Pod” alrededor del API Service.

##### Elementos gráficos sugeridos
- Etiquetas claras: “Client”, “API Endpoint”, “Preprocessor”, “SVM Model”, “Response”.
- Flechas direccionales para flujo de datos.
- Colores o formas distintas:
- Azul para componentes de networking (Client, Endpoints)
- Verde para lógica de ML (Preprocessor, Modelo)
- Gris para infra (Docker, Logging)

##### Detalle y exhaustividad
- Incluye en el nivel de detalle todas las piezas partiendo de la petición HTTP hasta la generación de la respuesta JSON.
- Si en el futuro agregas base de datos o colas de mensajes, añádelas como componentes separados con flechas de conexión apropiadas.
- No te limites a dibujar un único rectángulo: separa módulos y muestra sus interacciones.

Con este enfoque, podrás presentar un diagrama claro, preciso y completo de la arquitectura de tu servicio de predicción de riesgo de incendios, facilitando la comprensión y futuros desarrollos o integraciones.

## Diagram (Mermaid)

```mermaid
flowchart TB
    Client["Client"]:::network

    subgraph "Docker Container" 
        class Docker infra
        subgraph "API Service"
            class APIService infra
            Endpoint["HTTP POST /predict Endpoint"]:::network
            Preprocessor["Input Preprocessor & Validator"]:::ml
            ModelLoader["SVM Model Loader"]:::ml
            SVMModel["modelo_svm.pkl"]:::ml
            JSONFormatter["JSON Response Formatter"]:::network
            Logging["Logging & Metrics"]:::infra
        end
    end

    Client -->|"HTTP Request"| Endpoint
    Endpoint -->|"validate parameters"| Preprocessor
    Preprocessor -->|"preprocessed data"| ModelLoader
    ModelLoader -->|"loads model"| SVMModel
    ModelLoader -->|"prediction result"| JSONFormatter
    JSONFormatter -->|"HTTP Response"| Client

    Endpoint -.->|logs request| Logging
    ModelLoader -.->|logs inference| Logging
    JSONFormatter -.->|logs response| Logging

    click Endpoint "https://github.com/danangellotti/app_predecir/blob/main/app.py"
    click Preprocessor "https://github.com/danangellotti/app_predecir/blob/main/app.py"
    click ModelLoader "https://github.com/danangellotti/app_predecir/blob/main/app.py"
    click JSONFormatter "https://github.com/danangellotti/app_predecir/blob/main/app.py"
    click SVMModel "https://github.com/danangellotti/app_predecir/blob/main/modelo_svm.pkl"
    click requirements "https://github.com/danangellotti/app_predecir/blob/main/requirements.txt"
    click README "https://github.com/danangellotti/app_predecir/blob/main/README.md"

    classDef network fill:#ADD8E6,stroke:#000
    classDef ml fill:#90EE90,stroke:#000
    classDef infra fill:#D3D3D3,stroke:#000
```
