📧 AutoU - Email Classifier

Case prático para o processo seletivo AutoU 🚀

Este projeto é uma aplicação web que classifica e-mails como produtivos ou improdutivos, e sugere automaticamente uma resposta adequada ao conteúdo.

🌐 Links públicos

Recurso	URL
App Web (frontend React, Vercel)	https://autou-email-classifier.vercel.app
API (backend Flask, Render)	https://autou-email-classifier-xvbn.onrender.com
Vídeo-demo (YouTube, 4 min)	https://youtu.be/NEpcGYV5G_A
Repositório GitHub	https://github.com/CMagnoDFB/autou-email-classifier

⚠️ Limitações dos planos gratuitos

Plataforma	Limitação principal
Render (Free)	Serviços web entram em hibernação após ~15 min sem uso. Ao receber uma nova requisição, pode levar 30–60 s para “acordar” o servidor (render.com).
Vercel (Hobby)	Frontend estático é rápido, mas se tivessem sido usadas funções serverless (não usadas aqui), há cold-starts de 1–2 s, e funções têm limite máximo de 10 s de execução.

💡 Nota: em uso contínuo, a aplicação responde rapidamente, mas esteja preparado para uma latência inicial, especialmente se estiver inativa há algum tempo.

✨ Funcionalidades

Classificação automática de e-mails em duas categorias:

• Produtivo: requer ação ou resposta

• Improdutivo: mensagens sociais, sem demanda

Sugestão de resposta automática com base na categoria e no conteúdo.

Opção de dois métodos de classificação:

• Zero-Shot (mDeBERTa-v3-base-mnli-xnli via HuggingFace Inference API)

• Regressão Logística (modelo treinado localmente sobre dataset sintético)

🖥️ Tecnologias utilizadas

Backend

• Flask — API web

• Gunicorn — WSGI server para produção

• spaCy — pré-processamento de texto e lematização

• scikit-learn — regressão logística

• HuggingFace Hub — modelos mDeBERTa e Mistral para inferência

• pypdf e python-magic — extração de texto de arquivos

Frontend

• React + Vite

• Seleção dinâmica do método de classificação

• Upload de arquivos ou entrada manual de texto

Treinamento do modelo

Notebook Jupyter Lab para criação e salvamento do modelo de Regressão Logística

📂 Estrutura do projeto

.
├── app.py                    # Backend Flask
├── src/                      # Código backend
│   ├── classifier.py
│   ├── hf_client.py
│   ├── hf_gen.py
│   ├── preprocessing.py
│   └── utils.py
├── frontend/                 # Frontend Vite/React
├── notebooks/                # Notebooks para experimentos e treinamento
│   ├── treino.ipynb
│   └── emails_sinteticos.csv
├── samples/                  # Exemplos de e-mails
├── requirements.txt          # Dependências mínimas para produção
├── requirements-dev.txt      # Dependências completas para desenvolvimento
└── README.md

🧑‍💻 Rodando localmente

Você também pode rodar a aplicação localmente para desenvolvimento ou testes:

🔷 Pré-requisitos

• Python 3.10+ com virtualenv
• Node.js 18+ com npm

🔷 Backend

# Na raiz do projeto
python -m venv .venv
source .venv/bin/activate  # ou .venv\Scripts\activate no Windows

pip install -r requirements-dev.txt
python app.py
O backend estará disponível em: http://localhost:5000

🔷 Frontend

cd frontend
npm install
npm run dev

O frontend estará disponível em: http://localhost:5173

Por padrão, ele já está configurado para usar o backend local (http://localhost:5000).