clossers/didi-lot1-ai
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
didi-lot1-ai/README_LIVRABIL.md

7.6 KiB
Raw Blame History

Livrabil LOT 1 — Sistem AI (DiDi / PNRR DIGI150)

Pachet de lucru pentru continuarea LOT 1 pe serverul cu inferență GPU. Conține codul ai_platform (curățat), documentația de achiziție (caiet + ofertă) și raportul de audit cod-vs-caiet-vs-ofertă.

Scop: muți acest folder pe serverul cu inferență, configurezi modelele reale și finalizezi punctele rămase (vezi §5). Tot ce s-a putut face fără GPU e deja făcut și validat în Docker.

1. Structura pachetului

livrabil_lot1/
├── README_LIVRABIL.md          ← acest fișier (handoff)
├── ai_platform/                ← codul LOT 1 (curățat: fără node_modules/.git/runs/cache)
│   ├── modules/<modul>/        ← fiecare modul: src/ tests/ deploy/ README.md API.md
│   ├── CLAUDE.md INDEX.md       ← convenții + overview oficial
│   └── DEPLOYMENT.md bootstrap.sh
└── documentatie/
    ├── Caiet_de_sarcini.pdf
    ├── Propunere_tehnica.pdf / Lot1.pdf / LOT1_AI_Propunere_Tehnica.docx
    └── AUDIT_LOT1.md            ← audit complet pe module (citește-l pentru detalii)

uv.lock au fost excluse intenționat (se regenerează cu uv sync). node_modules se regenerează cu npm ci.

2. Ce este LOT 1 — harta modulelor (logica)

Sistemul AI = servicii independente, containerizate, pe care backend-ul (LOT 2) le consumă prin API. Fiecare modul are deploy/deploy.sh, docker-compose.yml, Dockerfile, .env.example.

Modul Ce face Stare
llm-inference Gateway OpenAI-compatible peste 3 backend-uri (vLLM/llama.cpp/LiteLLM); rutare + fallback + metrici 🟢 ~95%
extractors (nou) Feature extraction ușor: metadata (EXIF/ELA/spectrogramă/integritate), sentiment/OCR (deleagă LLM), NER (GLiNER), detect (YOLO) 🟢 ~95%
video-analysis Deepfake video (BusterX/vLLM), verdict REAL/FAKE/UNCERTAIN + frames + evidence 🟢
audio Transcriere (faster-whisper) 🟢
web Web crawl & evidence (Playwright, multi-provider search) 🟡 90%
embeddings / rerank bge-m3 / bge-reranker-v2-m3, OpenAI-compatible 🟢 85%
didi_brain Cache rezultate (Postgres/pgvector) + RAG (Atomic) + fact-checking; consumat de backend 🟢
dashboard Admin UI (React+FastAPI): monitorizare AI, catalog modele DB, config, RBAC 🟡 ~78%
catalog-api Agregator service-discovery (/v1/info), stateless 🟢
gateway Reverse-proxy nginx (config-only) — punct de intrare AI 🟢
forensic_features Detectoare forensice (rPPG/lip-sync/forgery heatmap/lighting) 🟢
cloak Scraper SERP stealth (tier-3 fallback pt web) 🟢

Detalii complete + procente per cerință: documentatie/AUDIT_LOT1.md.

3. Ce s-a remediat în această iterație (rezumat)

Toate validate rulând în container (mediul de build n-are python/GPU local).

  • Extractor ML — modul nou extractors (39 teste): /v1/metadata (EXIF, codec/bitrate via ffprobe, spectrogramă numpy, ELA, integritate/C2PA), /v1/sentiment + /v1/ocr (deleagă la gateway-ul LLM), /v1/ner (GLiNER, validat pe RO), /v1/detect (YOLOv8, validat real).
  • video-analysis — verdict aliniat: enum UNCERTAIN, frames_analyzed + evidence[]; reparat bug pyproject (virgulă lipsă → modul neinstalabil). 7 teste.
  • dashboard — AI Monitoring (health agregat + cozi RabbitMQ + latențe Prometheus, fail-open), Catalog modele/extractoare DB-backed + CRUD, RBAC pe suprafața de citire + warning staging. 12 teste pe Postgres. Reparat 2 bug-uri reale (audit NOT NULL, Query default).
  • llm-inference — model qwen3.5 + alias, /v1/completions, fallback cascadă cross-backend, metrici Prometheus (latență/tokens/requests). 100 teste. Pin fastapi<0.116.
  • Cache — reclasificat: acoperit la nivel de orchestrare (didi_brain + Redis backend), nu se construiește cache nou în LOT 1.

4. Cum se validează (fără a instala nimic local) — reț. Docker

Mediul de dezvoltare n-are python/uv/ffmpeg/GPU. Tot se rulează în container:

# Teste unui modul Python (în containerul lui de build):
cd ai_platform/modules/<modul>
docker run --rm -v "$PWD":/app -w /app python:3.11-slim \
  bash -c "pip install -e '.[dev]' && pytest -q"

# Module cu model greu (extractors NER/YOLO): instalează extra-ul ml
#   pip install -e '.[ml]'   (trage torch — imagine mai mare)

# dashboard (are nevoie de Postgres): Postgres efemer în Docker
docker run -d --name pg --network <net> -e POSTGRES_PASSWORD=test -e POSTGRES_DB=test postgres:16-alpine
docker run --rm --network <net> -v "$PWD":/app -w /app \
  -e TEST_DATABASE_URL="postgresql+asyncpg://postgres:test@pg:5432/test" \
  python:3.11-slim bash -c "pip install -e '.[dev]' && pytest -q"

# frontend dashboard (Vite 7 cere Node 20+):
cd ai_platform/modules/dashboard/web
docker run --rm -v "$PWD":/app -w /app node:20-slim bash -c "npm ci && npx tsc -b --noEmit"

5. Ce mai e de făcut pe serverul cu inferență

5.1 Configurări obligatorii la mutare (altfel serviciile nu „văd" modelele)

  • llm-inference: pornește vLLM cu --served-model-name qwen3.5 (sau setează LLM_MODEL_ALIASES), VLLM_MODEL=Qwen/Qwen3.5-35B-A3B. Vezi .env.example.
  • extractors: EXTRACTORS_LLM_GATEWAY_URL=http://<llm-gateway>:14011 (pt sentiment/OCR).
  • video-analysis / audio / embeddings / rerank: setează URL-urile vLLM/model în .env.
  • dashboard: pentru a aprinde panourile noi — DASHBOARD_PROMETHEUS_URL=http://<prometheus>:9090, DASHBOARD_RABBITMQ_MGMT_URL=http://<rabbitmq>:15672 (+ user/parolă). RBAC se activează automat când e setat DASHBOARD_KEYCLOAK_URL; scoate DASHBOARD_STAGING_MODE în producție (bypassează auth).

5.2 Cod rămas (validabil pe server cu modelele reale)

  • llm-inference — load/unload model (Task 4): vLLM nu suportă hot-swap nativ (un model/proces). Decizie: (a) implementezi „register/route" — load = asiguri că un backend servește modelul X; sau (b) marchezi „nesuportat de vLLM" în ofertă/recepție. (singurul punct deschis la inferență)
  • web (ofertă): robots.txt, rate-limit per-domeniu, jurnal audit persistent.
  • embeddings/rerank: failover automat între backend-uri + teste API.
  • RAG: wrapper de contract /v1/query//v1/index peste /v1/gather din didi_brain (sau acceptat în forma livrată).
  • CI/CD: non-root pe 5 Dockerfile, rollback + publish imagini AI în registry.

5.3 Infra (manifeste de scris; validare reală doar cu cluster/GPU)

  • Orchestrare / scalare automată (caiet 747-766) — k8s/Helm + HPA. Singurul gap mare de caiet rămas.
  • dashboard GPU/VRAM — exporter dcgm pe host-ul GPU + panou (codul de panou se cablează ca latențele, prin Prometheus).
  • dashboard control rute — gateway-ul AI e nginx static; control real = view + enable/disable prin regenerare config + reload (NU Kong, care e LOT 2).

6. Pornire rapidă (per modul)

cd ai_platform/modules/<modul>/deploy
cp ../.env.example .env      # completează variabilele (fail-fast, fără defaults)
./deploy.sh up               # sau: docker compose up -d --build

Convenție porturi: 1xxxx producție / 5xxxx dev (vezi ai_platform/CLAUDE.md). Bootstrap pentru host CPU-only: ai_platform/bootstrap.sh + DEPLOYMENT.md.

7. Pointere

  • Audit complet pe cerințe (procente, file:line, ce lipsește): documentatie/AUDIT_LOT1.md
  • Convenții cod + porturi: ai_platform/CLAUDE.md
  • Overview module: ai_platform/INDEX.md
  • Fiecare modul: README.md + API.md + INDEX.md propriu.