Update app.py

app.py

@@ -1,228 +1,33 @@
-
-import os
-import numpy as np
 import gradio as gr
 import joblib
+import numpy as np
+import os
 
-from sklearn.pipeline import Pipeline
-from sklearn.feature_extraction.text import TfidfVectorizer
-from sklearn.linear_model import LogisticRegression
-
-from transformers import pipeline as hf_pipeline
-
-
-# ======================================================================
-# 1. Baseline de Sentimentos (TF-IDF + Logistic Regression)
-# ======================================================================
-
-BASELINE_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
-
-
-def train_small_baseline(save_path: str = BASELINE_PATH,
-                         max_samples: int = 10000):
-    """
-    Treina um baseline pequeno usando uma amostra do dataset amazon_polarity.
-    Usado apenas se baseline_pipe.pkl nao existir no Space.
-    """
-    from datasets import load_dataset
-    import pandas as pd
-
-    # Carrega o split de treino inteiro
-    ds = load_dataset("amazon_polarity", split="train")
-
-    # Embaralha e pega apenas max_samples exemplos (para ficar leve)
-    ds_small = ds.shuffle(seed=42).select(range(min(max_samples, len(ds))))
-
-    df = pd.DataFrame({"text": ds_small["content"], "label": ds_small["label"]})
-
-    pipe = Pipeline(
-        [
-            ("tfidf", TfidfVectorizer(max_features=30000, ngram_range=(1, 2))),
-            ("clf", LogisticRegression(max_iter=1000)),
-        ]
-    )
-
-    pipe.fit(df["text"], df["label"])
-    joblib.dump(pipe, save_path)
-    return pipe
-
-
-def load_or_bootstrap_baseline():
-    """
-    Se existir baseline_pipe.pkl, carrega.
-    Se nao existir e DISABLE_AUTOTRAIN != 1, treina um baseline pequeno.
-    """
-    if os.path.exists(BASELINE_PATH):
-        return joblib.load(BASELINE_PATH)
-
-    disable_auto = os.getenv("DISABLE_AUTOTRAIN", "0")
-    if disable_auto == "1":
-        return None
-
-    return train_small_baseline()
-
-
-baseline_model = load_or_bootstrap_baseline()
+MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
 
+baseline = None
+if os.path.exists(MODEL_PATH):
+    baseline = joblib.load(MODEL_PATH)
 
-def classify_only(text: str):
-    """
-    Apenas classifica o sentimento (positivo/negativo) e retorna JSON.
-    """
+def predict_sentiment(text: str):
     if not text or text.strip() == "":
-        return {"erro": "Digite um texto."}
-
-    if baseline_model is None:
-        return {
-            "erro": (
-                "Modelo baseline nao encontrado. "
-                "Envie baseline_pipe.pkl na aba Files ou remova DISABLE_AUTOTRAIN."
-            )
-        }
-
-    proba = baseline_model.predict_proba([text])[0]
+        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 {"sentimento": label, "confianca": round(conf, 3)}
-
-
-# ======================================================================
-# 2. IA Generativa (FLAN-T5) para resposta ao cliente
-# ======================================================================
-
-GEN_MODEL_ID = os.getenv("GEN_MODEL_ID", "google/flan-t5-base")
-
-generator = hf_pipeline("text2text-generation", model=GEN_MODEL_ID)
-
-SYSTEM_PROMPT = (
-    "Voce e um atendente virtual educado que responde em portugues do Brasil. "
-    "Use poucas frases, tom empatico e pratico."
+    return {"predição": label, "confiança": conf}
+
+demo = gr.Interface(
+    fn=predict_sentiment,
+    inputs=gr.Textbox(label="Digite uma avaliação de produto"),
+    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."
 )
 
-
-def generate_reply(user_text: str, sentimento_json):
-    """
-    Gera uma resposta em PT-BR condicionada ao sentimento detectado.
-    """
-    if not user_text or user_text.strip() == "":
-        return "Digite uma mensagem."
-
-    sentimento = None
-    if isinstance(sentimento_json, dict) and "sentimento" in sentimento_json:
-        sentimento = sentimento_json["sentimento"]
-
-        if sentimento == "negativo":
-        intent = (
-            "A avaliacao do cliente e NEGATIVA. "
-            "Peca desculpas, reconheca o problema, ofereca ajuda objetiva "
-            "e solicite informacoes adicionais (numero do pedido, produto, contato)."
-        )
-    elif sentimento == "positivo":
-        intent = (
-            "A avaliacao do cliente e POSITIVA. "
-            "Agradeca de forma calorosa, reforce os pontos positivos citados "
-            "e convide o cliente a continuar comprando."
-        )
-    else:
-        intent = (
-            "O sentimento nao foi identificado. "
-            "Responda de forma neutra, cordial e util."
-        )
-
-    # opcional: pegar a confianca pra colocar no prompt
-    conf = None
-    if isinstance(sentimento_json, dict) and "confianca" in sentimento_json:
-        conf = sentimento_json["confianca"]
-
-    prompt = f"""
-Voce e um assistente de atendimento ao cliente.
-
-Com base na mensagem do usuario e no sentimento detectado,
-gere uma resposta educada, objetiva e natural em PORTUGUES DO BRASIL,
-usando entre 2 e 4 frases.
-
-Mensagem do usuario:
-\"\"\"{user_text}\"\"\"
-
-Sentimento identificado: {sentimento}
-Confianca do classificador: {conf}
-
-Sua resposta deve:
-- demonstrar empatia,
-- responder diretamente ao que o cliente escreveu,
-- NUNCA mencionar que esta gerando uma "resposta curta",
-- NUNCA explicar o que esta fazendo,
-- NUNCA repetir estas instrucoes internas.
-
-Agora responda ao cliente da forma mais natural possivel.
-"""
-
-    out = generator(
-        prompt,
-        max_length=128,
-        do_sample=True,
-        temperature=0.6,
-        top_p=0.9,
-    )[0]["generated_text"]
-
-    return out
-
-
-# ======================================================================
-# 3. Interface Gradio - duas abas (Analise e Chatbot)
-# ======================================================================
-
-with gr.Blocks(title="Chatbot de Sentimentos - Professor Rodrigo") as demo:
-    gr.Markdown(
-        """
-# Chatbot de Sentimentos (ML + IA Generativa)
-**Professor Rodrigo** - Projeto Final ML & DL
-
-- Classificacao: TF-IDF + Regressao Logistica (baseline).
-- Geracao: `google/flan-t5-base` para redigir respostas em PT-BR.
-
-> Dica: envie `baseline_pipe.pkl` na aba *Files* para usar um modelo treinado por voce.
-        """
-    )
-
-    # Aba 1 - somente analise de sentimento
-    with gr.Tab("Analise de Sentimento"):
-        input_text = gr.Textbox(
-            label="Digite uma avaliacao de produto",
-            lines=4,
-            placeholder="Ex.: O produto chegou rapido e superou minhas expectativas.",
-        )
-        output_json = gr.JSON(label="Resultado da classificacao")
-        btn_analisar = gr.Button("Analisar")
-        btn_analisar.click(classify_only, inputs=input_text, outputs=output_json)
-
-    # Aba 2 - Chatbot (analise + resposta generativa)
-    with gr.Tab("Chatbot (Analise + Resposta)"):
-        chat_input = gr.Textbox(
-            label="Mensagem do cliente",
-            lines=4,
-            placeholder="Ex.: Estou chateado, o produto chegou quebrado.",
-        )
-        with gr.Row():
-            btn_analise_chat = gr.Button("1) Analisar sentimento")
-            btn_resposta = gr.Button("2) Gerar resposta")
-
-        chat_analysis = gr.JSON(label="Sentimento detectado")
-        chat_reply = gr.Textbox(
-            label="Resposta gerada pela IA",
-            lines=6,
-        )
-
-        btn_analise_chat.click(
-            classify_only, inputs=chat_input, outputs=chat_analysis
-        )
-        btn_resposta.click(
-            generate_reply, inputs=[chat_input, chat_analysis], outputs=chat_reply
-        )
-
-
 if __name__ == "__main__":
     demo.launch()
-