Implementación AnomalIA - Fix de dropdowns y permisos.

ProyectoIA_Gestion/detect.py

@@ -0,0 +1,134 @@
+import pandas as pd
+import joblib
+import os
+import pyodbc
+from datetime import datetime, timedelta
+import sys
+
+def insertar_alerta_en_db(cursor, tipo_alerta, id_entidad, entidad, mensaje, fecha_anomalia, cant_enviada=None, cant_devuelta=None, porc_devolucion=None):
+    """Función centralizada para insertar en la nueva tabla Sistema_Alertas."""
+    insert_query = """
+        INSERT INTO Sistema_Alertas 
+            (TipoAlerta, IdEntidad, Entidad, Mensaje, FechaAnomalia, CantidadEnviada, CantidadDevuelta, PorcentajeDevolucion, Leida)
+        VALUES (?, ?, ?, ?, ?, ?, ?, ?, 0)
+    """
+    try:
+        # Asegurarse de que los valores numéricos opcionales sean None si no se proporcionan
+        p_dev = float(porc_devolucion) if porc_devolucion is not None else None
+        c_env = int(cant_enviada) if cant_enviada is not None else None
+        c_dev = int(cant_devuelta) if cant_devuelta is not None else None
+
+        cursor.execute(insert_query, tipo_alerta, id_entidad, entidad, mensaje, fecha_anomalia, c_env, c_dev, p_dev)
+        print(f"INFO: Alerta '{tipo_alerta}' para '{entidad}' ID {id_entidad} registrada.")
+    except Exception as e:
+        print(f"ERROR: No se pudo insertar la alerta para '{entidad}' ID {id_entidad}. Error: {e}")
+
+print("--- INICIANDO SCRIPT DE DETECCIÓN COMPLETO ---")
+
+# --- 1. Configuración ---
+DB_SERVER = 'TECNICA3'
+DB_DATABASE = 'SistemaGestion'
+CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
+MODEL_INDIVIDUAL_FILE = 'modelo_anomalias.joblib'
+MODEL_SISTEMA_FILE = 'modelo_sistema_anomalias.joblib'
+
+# --- 2. Determinar Fecha ---
+if len(sys.argv) > 1:
+    target_date = datetime.strptime(sys.argv[1], '%Y-%m-%d')
+else:
+    target_date = datetime.now() - timedelta(days=1)
+print(f"--- FECHA DE ANÁLISIS: {target_date.date()} ---")
+
+try:
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    cursor = cnxn.cursor()
+except Exception as e:
+    print(f"CRITICAL: No se pudo conectar a la base de datos. Error: {e}")
+    exit()
+
+# --- 3. DETECCIÓN INDIVIDUAL (CANILLITAS) ---
+print("\n--- FASE 1: Detección de Anomalías Individuales (Canillitas) ---")
+if not os.path.exists(MODEL_INDIVIDUAL_FILE):
+    print(f"ADVERTENCIA: Modelo individual '{MODEL_INDIVIDUAL_FILE}' no encontrado.")
+else:
+    model_individual = joblib.load(MODEL_INDIVIDUAL_FILE)
+    query_individual = f"""
+        SELECT esc.Id_Canilla AS id_canilla, esc.Fecha AS fecha, esc.CantSalida AS cantidad_enviada, esc.CantEntrada AS cantidad_devuelta, c.NomApe AS nombre_canilla
+        FROM dist_EntradasSalidasCanillas esc
+        JOIN dist_dtCanillas c ON esc.Id_Canilla = c.Id_Canilla
+        WHERE CAST(Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}' AND CantSalida > 0
+    """
+    df_new = pd.read_sql(query_individual, cnxn)
+    
+    if not df_new.empty:
+        df_new['porcentaje_devolucion'] = (df_new['cantidad_devuelta'] / df_new['cantidad_enviada']).fillna(0) * 100
+        df_new['dia_semana'] = pd.to_datetime(df_new['fecha']).dt.dayofweek
+        features = ['id_canilla', 'porcentaje_devolucion', 'dia_semana']
+        X_new = df_new[features]
+        df_new['anomalia'] = model_individual.predict(X_new)
+        anomalias_detectadas = df_new[df_new['anomalia'] == -1]
+        
+        if not anomalias_detectadas.empty:
+            for index, row in anomalias_detectadas.iterrows():
+                mensaje = f"Devolución del {row['porcentaje_devolucion']:.2f}% para '{row['nombre_canilla']}'."
+                insertar_alerta_en_db(cursor,
+                                      tipo_alerta='DevolucionAnomala',
+                                      id_entidad=row['id_canilla'],
+                                      entidad='Canillita',
+                                      mensaje=mensaje,
+                                      fecha_anomalia=row['fecha'].date(),
+                                      cant_enviada=row['cantidad_enviada'],
+                                      cant_devuelta=row['cantidad_devuelta'],
+                                      porc_devolucion=row['porcentaje_devolucion'])
+        else:
+            print("INFO: No se encontraron anomalías individuales significativas.")
+    else:
+        print("INFO: No hay datos de canillitas para analizar en la fecha seleccionada.")
+
+# --- 4. DETECCIÓN DE SISTEMA ---
+print("\n--- FASE 2: Detección de Anomalías de Sistema ---")
+if not os.path.exists(MODEL_SISTEMA_FILE):
+    print(f"ADVERTENCIA: Modelo de sistema '{MODEL_SISTEMA_FILE}' no encontrado.")
+else:
+    model_sistema = joblib.load(MODEL_SISTEMA_FILE)
+    query_agregada = f"""
+        SELECT CAST(Fecha AS DATE) AS fecha_dia, DATEPART(weekday, Fecha) as dia_semana,
+               COUNT(DISTINCT Id_Canilla) as total_canillitas_activos,
+               SUM(CantSalida) as total_salidas, SUM(CantEntrada) as total_devoluciones
+        FROM dist_EntradasSalidasCanillas
+        WHERE CAST(Fecha AS DATE) = '{target_date.strftime('%Y-%m-%d')}' AND CantSalida > 0
+        GROUP BY CAST(Fecha AS DATE), DATEPART(weekday, Fecha)
+    """
+    df_system = pd.read_sql(query_agregada, cnxn)
+    
+    if not df_system.empty and df_system['total_salidas'].iloc[0] > 0:
+        df_system['ratio_devolucion'] = (df_system['total_devoluciones'] / df_system['total_salidas']).fillna(0)
+        df_system['salidas_por_canillita'] = (df_system['total_salidas'] / df_system['total_canillitas_activos']).fillna(0)
+        features_system = ['dia_semana', 'total_salidas', 'ratio_devolucion', 'salidas_por_canillita']
+        X_system = df_system[features_system]
+        df_system['anomalia_sistema'] = model_sistema.predict(X_system)
+        
+        if df_system['anomalia_sistema'].iloc[0] == -1:
+            ratio_hoy = df_system['ratio_devolucion'].iloc[0] * 100
+            mensaje = f"El ratio de devolución global fue del {ratio_hoy:.2f}%, un valor atípico para este día de la semana."
+            insertar_alerta_en_db(cursor,
+                                  tipo_alerta='ComportamientoSistema',
+                                  id_entidad=0,
+                                  entidad='Sistema',
+                                  mensaje=mensaje,
+                                  fecha_anomalia=target_date.date())
+        else:
+            print("INFO: El comportamiento agregado del sistema fue normal.")
+    else:
+        mensaje = f"ALERTA GRAVE: No se registraron movimientos de salida para ningún canillita en la fecha {target_date.date()}."
+        insertar_alerta_en_db(cursor,
+                              tipo_alerta='FaltaDeDatos',
+                              id_entidad=0,
+                              entidad='Sistema',
+                              mensaje=mensaje,
+                              fecha_anomalia=target_date.date())
+
+# --- 5. Finalización ---
+cnxn.commit()
+cnxn.close()
+print("\n--- DETECCIÓN COMPLETA ---")

ProyectoIA_Gestion/train.py

@@ -0,0 +1,65 @@
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+import joblib
+import os
+import pyodbc
+from datetime import datetime, timedelta
+
+print("--- INICIANDO SCRIPT DE ENTRENAMIENTO (CONEXIÓN BD) ---")
+
+# --- 1. Configuración de Conexión y Parámetros ---
+DB_SERVER = 'TECNICA3' # O el nombre de tu instancia, ej: '.\SQLEXPRESS'
+DB_DATABASE = 'SistemaGestion' # El nombre de tu base de datos
+# Para autenticación de Windows, usa la siguiente línea:
+CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
+
+MODEL_FILE = 'modelo_anomalias.joblib'
+CONTAMINATION_RATE = 0.001 # Tasa de contaminación del 0.013% (ajustable según tus necesidades)
+
+# --- 2. Carga de Datos desde SQL Server ---
+try:
+    print(f"Conectando a la base de datos '{DB_DATABASE}' en '{DB_SERVER}'...")
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    
+    # Tomamos el último año de datos para el entrenamiento
+    fecha_limite = datetime.now() - timedelta(days=365)
+    
+    query = f"""
+        SELECT 
+            Id_Canilla AS id_canilla, 
+            Fecha AS fecha, 
+            CantSalida AS cantidad_enviada,
+            CantEntrada AS cantidad_devuelta
+        FROM 
+            dist_EntradasSalidasCanillas
+        WHERE 
+            Fecha >= '{fecha_limite.strftime('%Y-%m-%d')}'
+    """
+    print("Ejecutando consulta para obtener datos de entrenamiento...")
+    df = pd.read_sql(query, cnxn)
+    cnxn.close()
+
+except Exception as e:
+    print(f"Error al conectar o consultar la base de datos: {e}")
+    exit()
+
+if df.empty:
+    print("No se encontraron datos de entrenamiento en el último año. Saliendo.")
+    exit()
+
+# --- 3. Preparación de Datos (sin cambios) ---
+print(f"Preparando {len(df)} registros para el entrenamiento...")
+df['porcentaje_devolucion'] = (df['cantidad_devuelta'] / (df['cantidad_enviada'] + 0.001)) * 100
+df.fillna(0, inplace=True)
+df['porcentaje_devolucion'] = df['porcentaje_devolucion'].clip(0, 100)
+df['dia_semana'] = df['fecha'].dt.dayofweek
+features = ['id_canilla', 'porcentaje_devolucion', 'dia_semana']
+X = df[features]
+
+# --- 4. Entrenamiento y Guardado (sin cambios) ---
+print(f"Entrenando el modelo con tasa de contaminación de {CONTAMINATION_RATE}...")
+model = IsolationForest(n_estimators=100, contamination=CONTAMINATION_RATE, random_state=42)
+model.fit(X)
+joblib.dump(model, MODEL_FILE)
+
+print(f"--- ENTRENAMIENTO COMPLETADO. Modelo guardado en '{MODEL_FILE}' ---")

ProyectoIA_Gestion/train_sistema.py

@@ -0,0 +1,71 @@
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+import joblib
+import os
+import pyodbc
+from datetime import datetime
+
+print("--- INICIANDO SCRIPT DE ENTRENAMIENTO DE SISTEMA ---")
+
+# --- 1. Configuración ---
+DB_SERVER = 'TECNICA3'
+DB_DATABASE = 'SistemaGestion'
+CONNECTION_STRING = f'DRIVER={{ODBC Driver 18 for SQL Server}};SERVER={DB_SERVER};DATABASE={DB_DATABASE};Trusted_Connection=yes;TrustServerCertificate=yes;'
+MODEL_FILE = 'modelo_sistema_anomalias.joblib'
+CONTAMINATION_RATE = 0.02 # Tasa de contaminación del 0.2% (ajustable según tus necesidades)
+
+# --- 2. Carga y Agregación de Datos desde SQL Server ---
+try:
+    print("Conectando a la base de datos...")
+    cnxn = pyodbc.connect(CONNECTION_STRING)
+    
+    # Consulta para agregar los datos por día
+    query = """
+        SELECT 
+            CAST(Fecha AS DATE) AS fecha_dia,
+            DATEPART(weekday, Fecha) as dia_semana, -- 1=Domingo, 2=Lunes...
+            COUNT(DISTINCT Id_Canilla) as total_canillitas_activos,
+            SUM(CantSalida) as total_salidas,
+            SUM(CantEntrada) as total_devoluciones
+        FROM 
+            dist_EntradasSalidasCanillas
+        WHERE CantSalida > 0 -- Solo considerar días con actividad de salida
+        GROUP BY 
+            CAST(Fecha AS DATE), DATEPART(weekday, Fecha)
+    """
+    print("Ejecutando consulta de agregación de datos históricos...")
+    df = pd.read_sql(query, cnxn)
+    cnxn.close()
+
+except Exception as e:
+    print(f"Error al conectar o consultar la base de datos: {e}")
+    exit()
+
+if df.empty:
+    print("No se encontraron datos históricos para entrenar el modelo de sistema. Saliendo.")
+    exit()
+
+# --- 3. Feature Engineering para el modelo de sistema ---
+print(f"Preparando {len(df)} registros agregados para el entrenamiento...")
+# El ratio de devolución es una característica muy potente
+df['ratio_devolucion'] = (df['total_devoluciones'] / df['total_salidas']).fillna(0)
+# Ratio de salidas por canillita activo
+df['salidas_por_canillita'] = (df['total_salidas'] / df['total_canillitas_activos']).fillna(0)
+
+# Seleccionamos las características que el modelo usará
+features = ['dia_semana', 'total_salidas', 'ratio_devolucion', 'salidas_por_canillita']
+X = df[features]
+
+# --- 4. Entrenamiento del Modelo ---
+print(f"Entrenando el modelo IsolationForest de sistema con tasa de contaminación de {CONTAMINATION_RATE}...")
+model = IsolationForest(
+    n_estimators=100, 
+    contamination=CONTAMINATION_RATE,
+    random_state=42
+)
+model.fit(X)
+
+# --- 5. Guardado del Modelo ---
+joblib.dump(model, MODEL_FILE)
+print("--- ENTRENAMIENTO DE SISTEMA COMPLETADO ---")
+print(f"Modelo de sistema guardado exitosamente como '{MODEL_FILE}'")