Dodane informacje o planie i deklaracji dostępności.

app.py

@@ -1,74 +1,57 @@
-import pandas as pd
-from sklearn.metrics.pairwise import cosine_similarity
+import pickle
 import numpy as np
-from openai import OpenAI
-import ast
+from sentence_transformers import SentenceTransformer
+from scipy.spatial.distance import cosine
 import gradio as gr
-# Inicjalizuj klienta API
-client = OpenAI()
-
-# Wczytaj plik CSV
-df = pd.read_csv('ally.csv')
-
-
-# Przekształć stringi z powrotem do list
-df['embedding'] = df['embedding'].apply(ast.literal_eval)
-
-# Następnie przekształć listy na tablice numpy
-df['embedding'] = df['embedding'].apply(np.array)
-
-def znajdz_najblizsze_teksty(tekst_wejsciowy, df, client, top_n=2):
-    # Wygeneruj embedding dla tekstu wejściowego
-    response = client.embeddings.create(input=tekst_wejsciowy, model="text-embedding-3-large")
-    embedding_wejsciowy = response.data[0].embedding
-
-    # Oblicz podobieństwo kosinusowe między embeddingiem wejściowym a wszystkimi innymi embeddingami
-    df['podobienstwo'] = df['embedding'].apply(lambda x: cosine_similarity([x], [embedding_wejsciowy])[0][0])
-
-    # Posortuj DataFrame według podobieństwa i zwróć top_n najbardziej podobnych tekstów
-    return df.sort_values('podobienstwo'
-, ascending=False).head(top_n)['text']
-
-
-# Użyj funkcji do znalezienia najbardziej podobnych tekstów
-def answer(tekst_wejsciowy, history):
-  najblizsze_teksty = znajdz_najblizsze_teksty(tekst_wejsciowy, df, client)
-  kontekst = "\n".join(najblizsze_teksty)
-  prompt = f"Kontekst: {kontekst}\n Pytanie: {tekst_wejsciowy}"
-  response = client.chat.completions.create(
-    model="gpt-4o",
-    messages=[
-      {
-      "role": "system",
-      "content": "Jesteś asystentką koordynatorów i koordynatorek dostępności. Odpowiadasz konkretnie i zwięźle. Czasem możesz poflirtować. Do odpowiedzi wykorzystujesz dostarczony kontekst."
-      },
-      {
-      "role": "user",
-      "content": prompt
-      }
-    ],
-    temperature=0.1,
-    max_tokens=1024,
-    top_p=1,
-    frequency_penalty=0,
-    presence_penalty=0)
-  odp = response.choices[0].message.content
-  return(odp)
-
-demo = gr.ChatInterface(
-  fn = answer, 
-  title = "Ally - asystentka koordynatorów dostępności",
-  description= "Ally jest asystentką, która odpowie na pytania dotyczące dostępności. Dużo się nauczyła i wciąż się uczy, ale może jednak popełniać błędy.",
-  clear_btn= None,
-  submit_btn= "Zapytaj",
-  retry_btn=None,
-  undo_btn=None,
-  examples=[
-     "Jestem zupełnie świeżym koordynatorem dostępności i nie wiem, od czego zacząć.",
-     "Za co odpowiada koordynator do spraw dostępności?",
-     "Jakie wymiary powinna mieć kabina windy?",
-     "Co to jest plan wdrażania dostępności?",
-     "Czym jest deklaracja dostępności?",
-      "Kto jest najlepszą specjalistką od tworzenia planu wdrazania dostępności?"
-  ]
-  ).launch()
+from openai import OpenAI
+client=OpenAI()
+model = SentenceTransformer("quanthome/paraphrase-multilingual-MiniLM-L12-v2")
+# Funkcja do znajdowania najbardziej podobnych tekstów
+def find_similar(text, vector_map, model, top_n=5):
+    query_embedding = model.encode([text])[0]
+    similarities = []
+
+    for key, embedding in vector_map.items():
+        similarity = 1 - cosine(query_embedding, embedding)  # 1 - cosine distance gives similarity
+        similarities.append((key, similarity))
+
+    # Sortowanie po podobieństwie malejąco
+    similarities = sorted(similarities, key=lambda x: x[1], reverse=True)
+    
+    return similarities[:top_n]
+
+
+# Odczytanie słownika z pliku
+with open('vector_map.pkl', 'rb') as f:
+    vector_map = pickle.load(f)
+
+# Przykładowe wyszukiwanie
+def szukaj(query_text, history):
+    top_n_results = find_similar(query_text, vector_map, model, top_n=2)
+    context=''
+    for text, similarity in top_n_results:
+        context=context+text
+    jaczat=client.chat.completions.create(
+        model='gpt-4o-mini',
+        temperature=0.0,
+        max_tokens=1024,
+        messages=[
+            {'role': 'system',
+             'content': 'Jesteś asystentką koordynatorów dostępności i masz na imię Ally. Odpowiadasz rzetelnie i miło na pytania zadawane przez użytkowników. Nie musisz odpowiadać na wulgarne i chamskie uwagi.'+context},
+            {'role': 'user',
+             'content': query_text}
+        ]
+    )
+    return jaczat.choices[0].message.content
+demo=gr.ChatInterface(
+    fn=szukaj,
+    theme=gr.themes.Monochrome(),
+autofocus=True,
+    title='Ally - asystentka koordynatorów dostępności',
+    description='Ally chętnie odpowie na Twoje pytania i wątpliwości dotyczące dostępności architektonicznej i zadań osób koordynujących dostępność w organizacji. Ponieważ Ally jest oparta o model sztucznej inteligencji, to może się mylić, chociaż na pewnorzadziej, niż człowiek.',
+    submit_btn='Zapytaj',
+    clear_btn=None,
+    retry_btn=None,
+    undo_btn=None,
+    show_progress='minimal',
+).launch()

vector_map.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7d35af280ac839c9963c03aadd83096b24e8864be9c1fa8fe9a16449f439e9f3
+size 381834