Update app.py

app.py

@@ -1,35 +1,207 @@
 
+import os
+import numpy as np
 import gradio as gr
 import joblib
-import numpy as np
-import os
 
-MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
+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))))
 
-baseline = None
-if os.path.exists(MODEL_PATH):
-    baseline = joblib.load(MODEL_PATH)
+    df = pd.DataFrame({"text": ds_small["content"], "label": ds_small["label"]})
 
-def predict_sentiment(text: str):
+    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()
+
+
+def classify_only(text: str):
+    """
+    Apenas classifica o sentimento (positivo/negativo) e retorna JSON.
+    """
     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]
+        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]
     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"),
-    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."
+
+    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."
 )
 
+
+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."
+        )
+
+    prompt = (
+        f"{SYSTEM_PROMPT}\n\n"
+        f"{intent}\n\n"
+        f"Mensagem do cliente:\n\"{user_text}\"\n\n"
+        f"Escreva uma resposta curta (2 a 4 frases)."
+    )
+
+    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()