Update app.py

app.py

@@ -1,33 +1,127 @@
 import gradio as gr
-import joblib
-import numpy as np
 import os
+import joblib
+import pandas as pd
+from datasets import load_dataset
+from sklearn.pipeline import Pipeline
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.linear_model import LogisticRegression
+from transformers import pipeline
+
+
+BASELINE_PATH = "baseline_pipe.pkl"
+
+
+# ============================================================
+# 1) Função para treinar automaticamente o modelo baseline
+# ============================================================
+def treinar_baseline():
+    print("➡️ Nenhum baseline encontrado. Treinando modelo TF-IDF + Regressão Logística...")
+
+    ds = load_dataset("amazon_polarity", split="train")
+    ds_small = ds.shuffle(seed=42).select(range(8000))  # rápido para HF Spaces
+    df = pd.DataFrame({"text": ds_small["content"], "label": ds_small["label"]})
+
+    pipe = Pipeline([
+        ("tfidf", TfidfVectorizer(max_features=20000, ngram_range=(1, 2))),
+        ("clf", LogisticRegression(max_iter=1000))
+    ])
+
+    pipe.fit(df["text"], df["label"])
+    joblib.dump(pipe, BASELINE_PATH)
+
+    print("✔ Modelo baseline treinado e salvo!")
+    return pipe
+
+
+# ============================================================
+# 2) Carregar modelo baseline
+# ============================================================
+def load_or_train():
+    if os.path.exists(BASELINE_PATH):
+        print("✔ baseline_pipe.pkl encontrado! Carregando...")
+        return joblib.load(BASELINE_PATH)
+    return treinar_baseline()
+
+
+baseline_model = load_or_train()
+
+
+# ============================================================
+# 3) IA Generativa (sem token)
+# ============================================================
+generator = pipeline("text2text-generation", model="google/flan-t5-base")
+
 
-MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
-
-baseline = None
-if os.path.exists(MODEL_PATH):
-    baseline = joblib.load(MODEL_PATH)
-
-def predict_sentiment(text: str):
-    if not text or text.strip() == "":
-        return {"predição": "n/a", "confiança": 0.0}
-    if baseline is None:
-        # Mensagem amigável quando o modelo ainda não foi enviado
-        return {"erro": "Modelo não encontrado. Envie baseline_pipe.pkl nos Files do Space."}
-    proba = baseline.predict_proba([text])[0]
-    pred = int(np.argmax(proba))
-    label = "positivo" if pred == 1 else "negativo"
-    conf = float(np.max(proba))
-    return {"predição": label, "confiança": conf}
-
-demo = gr.Interface(
-    fn=predict_sentiment,
-    inputs=gr.Textbox(label="Digite uma avaliação de produto"),
+def resposta_chatbot(texto):
+    prompt = f"""
+Você é um assistente de suporte educado, direto e profissional.
+Responda de forma curta e natural.  
+Pergunta: {texto}
+Resposta:
+"""
+    out = generator(prompt, max_length=128)
+    return out[0]["generated_text"]
+
+
+# ============================================================
+# 4) Classificação de sentimento
+# ============================================================
+def analisar_sentimento(texto):
+    label = baseline_model.predict([texto])[0]
+    prob = baseline_model.predict_proba([texto])[0].max()
+
+    sentimento = "positivo" if label == 1 else "negativo"
+    return {
+        "sentimento": sentimento,
+        "confianca": round(float(prob), 3)
+    }
+
+
+# ============================================================
+# 5) Interface Gradio
+# ============================================================
+def interface_sentimento(texto):
+    try:
+        return analisar_sentimento(texto)
+    except Exception as e:
+        return {"erro": str(e)}
+
+
+def interface_chatbot(texto, histórico):
+    resposta = resposta_chatbot(texto)
+    histórico.append((texto, resposta))
+    return histórico, histórico
+
+
+# ============================================================
+# Aba de análise
+# ============================================================
+aba1 = gr.Interface(
+    fn=interface_sentimento,
+    inputs=gr.Textbox(label="Digite uma avaliação"),
     outputs=gr.JSON(label="Resultado"),
-    title="Análise de Sentimentos (Amazon Polarity)",
-    description="Envie o arquivo baseline_pipe.pkl na aba Files para ativar o modelo."
 )
 
-if __name__ == "__main__":
-    demo.launch()
+
+# ============================================================
+# Aba de chatbot
+# ============================================================
+with gr.Blocks() as aba2:
+    gr.Markdown("# Chatbot (IA Generativa)")
+
+    chatbot = gr.Chatbot()
+    entrada = gr.Textbox(label="Digite sua mensagem")
+
+    entrada.submit(interface_chatbot, [entrada, chatbot], [chatbot, chatbot])
+
+
+# ============================================================
+# Tabs principais
+# ============================================================
+demo = gr.TabbedInterface(
+    [aba1, aba2],
+    ["Análise de Sentimentos", "Chatbot IA"]
+)
+
+demo.launch()