feat(models): ajout d'un modèle FewShot basé sur transformers avec Roberta

models/few_shot.py

@@ -1,19 +1,13 @@
 from models.base import BaseModel
+from transformers import pipeline
 
 class FewShotModel(BaseModel):
     def __init__(self):
-        self.examples = [
-            ("Tu es un abruti", "toxique"),
-            ("Je vais te tuer", "toxique"),
-            ("Merci pour ton aide", "non-toxique"),
-            ("J'apprécie ton soutien", "non-toxique")
-        ]
+        # On utilise un modèle préentraîné pour la classification de texte
+        self.classifier = pipeline("text-classification", model="textattack/roberta-base-rotten-tomatoes")
 
     def predict(self, text: str) -> str:
-        text = text.lower()
-
-        # Score simple basé sur correspondance de mots-clés
-        toxic_score = sum(any(word in example.lower() for word in text.split()) for example, label in self.examples if label == "toxique")
-        non_toxic_score = sum(any(word in example.lower() for word in text.split()) for example, label in self.examples if label == "non-toxique")
-
-        return "toxique" if toxic_score >= non_toxic_score else "non-toxique"
+        result = self.classifier(text, truncation=True)[0]
+        label = result["label"].lower()
+        # Conversion binaire "positive"/"negative" en "non-toxique"/"toxique"
+        return "non-toxique" if "pos" in label else "toxique"