Update app.py

app.py

@@ -2,41 +2,30 @@ import os
 import gradio as gr
 import joblib
 import numpy as np
-
+from transformers import pipeline
 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 + Regressão Logística)
+# 1. Baseline de Sentimentos
 # ============================================================
 
 BASELINE_PATH = "baseline_pipe.pkl"
 
-
 def train_small_baseline(save_path=BASELINE_PATH, max_samples=8000):
-    """
-    Treina um baseline pequeno usando o dataset amazon_polarity.
-    Só é executado se baseline_pipe.pkl não existir no Space.
-    """
     from datasets import load_dataset
     import pandas as pd
 
-    # Carrega split de treino completo e amostra max_samples exemplos
     ds = load_dataset("amazon_polarity", split="train")
     ds_small = ds.shuffle(seed=42).select(range(max_samples))
-
     df = pd.DataFrame({"text": ds_small["content"], "label": ds_small["label"]})
 
-    pipe = Pipeline(
-        [
-            ("tfidf", TfidfVectorizer(max_features=25000, ngram_range=(1, 2))),
-            ("clf", LogisticRegression(max_iter=1200)),
-        ]
-    )
+    pipe = Pipeline([
+        ("tfidf", TfidfVectorizer(max_features=20000)),
+        ("clf", LogisticRegression(max_iter=1000)),
+    ])
 
     pipe.fit(df["text"], df["label"])
     joblib.dump(pipe, save_path)
@@ -44,9 +33,6 @@ def train_small_baseline(save_path=BASELINE_PATH, max_samples=8000):
 
 
 def load_baseline():
-    """
-    Carrega o baseline de disco ou treina um novo se não existir.
-    """
     if os.path.exists(BASELINE_PATH):
         return joblib.load(BASELINE_PATH)
     return train_small_baseline()
@@ -55,218 +41,99 @@ def load_baseline():
 baseline_model = load_baseline()
 
 
-def classify_sentiment(text):
-    """
-    Classifica o texto como positivo/negativo e devolve UMA STRING.
-    Exemplo:
-
-    Resultado da classificação:
-    Sentimento: positivo
-    Confiança: 0.942
-    """
+def classify_only(text):
     text = (text or "").strip()
     if not text:
-        return "Erro: digite algo para analisar."
+        return "Erro: digite um texto."
 
     proba = baseline_model.predict_proba([text])[0]
     pred = int(np.argmax(proba))
-    label = "positivo" if pred == 1 else "negativo"
+    lbl = "positivo" if pred == 1 else "negativo"
     conf = float(np.max(proba))
 
-    out = []
-    out.append("Resultado da classificação:")
-    out.append(f"Sentimento: {label}")
-    out.append(f"Confiança: {conf:.3f}")
-    return "\n".join(out)
+    return f"Sentimento: {lbl}\nConfiança: {conf:.3f}"
 
 
 # ============================================================
-# 2. IA Generativa — FLAN-T5 (modelo aberto, sem token)
+# 2. IA Generativa - FLAN T5 (modelo aberto)
 # ============================================================
 
-GEN_MODEL = os.getenv("GEN_MODEL_ID", "google/flan-t5-base")
-
-generator = hf_pipeline(
+generator = pipeline(
     "text2text-generation",
-    model=GEN_MODEL,
+    model="google/flan-t5-base",
 )
 
 SYSTEM_PROMPT = (
-    "Você é um atendente virtual educado, empático e profissional "
-    "de uma loja online. Responda SEMPRE em português do Brasil, "
-    "com 2 a 4 frases claras, naturais e diretas. "
-    "Não mencione que é um modelo de IA e não explique o processo interno."
+    "Você é um atendente virtual educado e empático. "
+    "Responda SEMPRE em português do Brasil."
 )
 
 
-def detect_sentiment_raw(text):
+def chatbot_logic(user_message, history):
     """
-    Versão simplificada só para o chatbot.
-    Retorna (label, conf) ou (None, None) em caso de erro.
+    Função usada pelo ChatInterface — history é automático.
     """
-    text = (text or "").strip()
-    if not text:
-        return None, None
 
-    proba = baseline_model.predict_proba([text])[0]
+    # Detecta sentimento
+    proba = baseline_model.predict_proba([user_message])[0]
     pred = int(np.argmax(proba))
-    label = "positivo" if pred == 1 else "negativo"
+    sent = "positivo" if pred == 1 else "negativo"
     conf = float(np.max(proba))
-    return label, conf
-
-
-def build_prompt(history, user_msg, sent_label, sent_conf):
-    """
-    Monta o prompt para o FLAN-T5 usando histórico + sentimento.
-    Tudo aqui é texto simples.
-    """
 
-    if sent_label == "negativo":
-        orientacao = (
-            "O cliente está insatisfeito. Mostre empatia, peça desculpas, "
-            "demonstre interesse em resolver e, se fizer sentido, peça "
-            "dados adicionais (pedido, produto, canal de contato)."
-        )
-    elif sent_label == "positivo":
-        orientacao = (
-            "O cliente está satisfeito. Agradeça com entusiasmo, "
-            "reforce os pontos positivos e convide o cliente a continuar "
-            "comprando ou usando o serviço."
-        )
+    if sent == "negativo":
+        orient = "O cliente está insatisfeito. Mostre empatia, peça desculpas e ofereça ajuda."
     else:
-        orientacao = (
-            "O sentimento não está claro. Responda de forma neutra, cordial "
-            "e prestativa, buscando ajudar o cliente."
-        )
-
-    hist_txt = ""
-    if history:
-        for u, b in history:
-            hist_txt += f"Cliente: {u}\nAtendente: {b}\n"
+        orient = "O cliente está satisfeito. Agradeça e incentive a continuar usando o serviço."
 
     prompt = (
         f"{SYSTEM_PROMPT}\n\n"
-        "Use as informações abaixo apenas como contexto, sem citá-las:"
-        f"\n- Sentimento detectado: {sent_label}"
-        f"\n- Confiança aproximada: {sent_conf}"
-        f"\n- Orientação de tom: {orientacao}\n\n"
-        "Histórico da conversa (se houver):\n"
-        f"{hist_txt}\n"
-        "Nova mensagem do cliente:\n"
-        f"Cliente: {user_msg}\n\n"
-        "Escreva apenas a resposta do Atendente em português do Brasil."
+        f"Contexto de sentimento:\n- Sentimento: {sent}\n- Confiança: {conf:.3f}\n"
+        f"Orientação: {orient}\n\n"
+        f"Histórico prévio:\n{history}\n\n"
+        f"Mensagem do cliente: {user_message}\n\n"
+        "Gere uma resposta educada e profissional."
     )
 
-    return prompt
-
-
-def generate_reply(history, user_msg):
-    """
-    Função usada pelo botão do chatbot.
-
-    - Recebe o histórico atual e a nova mensagem
-    - Detecta sentimento
-    - Gera resposta com FLAN-T5
-    - Retorna:
-        history_atualizado, "", texto_sentimento
-    """
-    user_msg = (user_msg or "").strip()
-    if not user_msg:
-        return history, "", "Erro: digite uma mensagem antes de enviar."
-
-    sent_label, sent_conf = detect_sentiment_raw(user_msg)
-
-    prompt = build_prompt(history, user_msg, sent_label, sent_conf)
-
-    gen_out = generator(
+    out = generator(
         prompt,
         max_length=200,
         do_sample=True,
         temperature=0.7,
-        top_p=0.9,
-    )[0]["generated_text"].strip()
-
-    new_history = history + [(user_msg, gen_out)]
+    )[0]["generated_text"]
 
-    sentiment_text = (
-        "Sentimento detectado para a última mensagem:\n"
-        f"- Rótulo: {sent_label}\n"
-        f"- Confiança aproximada: {sent_conf:.3f}"
-        if sent_label is not None
-        else "Não foi possível detectar o sentimento."
-    )
-
-    # history → Chatbot
-    # ""      → limpa a caixa do usuário
-    # sentiment_text → textbox com sentimento
-    return new_history, "", sentiment_text
+    return out
 
 
 # ============================================================
-# 3. Interface Gradio (tipos simples + API desativada)
+# 3. Interface Gradio — ChatInterface = sem bugs!
 # ============================================================
 
-with gr.Blocks(
-    title="Chatbot de Sentimentos - Prof. Rodrigo",
-    theme=gr.themes.Default(),
-) as demo:
-    gr.Markdown(
-        """
-# Chatbot de Sentimentos (ML + IA Generativa)
 
+with gr.Blocks(title="Chatbot de Sentimentos") as demo:
+
+    gr.Markdown("""
+# Chatbot de Sentimentos (ML + IA Generativa)
 **Professor Rodrigo — Projeto Final ML & DL**
 
-- Classificação: TF-IDF + Regressão Logística (baseline, `amazon_polarity`)  
-- Geração de resposta: `google/flan-t5-base` (modelo aberto, sem token)  
-- Histórico de conversa mantido na aba de chatbot  
-- Você pode enviar um `baseline_pipe.pkl` na aba **Files** do Space para usar
-  um modelo de sentimentos treinado pelo seu grupo.
-        """
-    )
+- Classificação: TF-IDF + Regressão Logística  
+- Geração: `google/flan-t5-base`  
+- Sem API aberta (evita erro "No API found")
+    """)
 
-    # ---------- Aba 1: Análise de Sentimento ----------
     with gr.Tab("Análise de Sentimento"):
-        text_in = gr.Textbox(
-            label="Digite um comentário",
-            lines=4,
-            placeholder="Ex.: O produto chegou quebrado, fiquei muito chateado.",
-        )
-        text_out = gr.Textbox(
-            label="Resultado da classificação",
-            lines=4,
-        )
-        btn_analisar = gr.Button("Analisar sentimento", variant="primary")
+        txt = gr.Textbox(lines=4, label="Digite um comentário")
+        out = gr.Textbox(lines=3, label="Resultado")
+        btn = gr.Button("Analisar")
+        btn.click(classify_only, txt, out)
 
-        btn_analisar.click(
-            fn=classify_sentiment,
-            inputs=text_in,
-            outputs=text_out,
-        )
-
-    # ---------- Aba 2: Chatbot (Análise + Resposta) ----------
     with gr.Tab("Chatbot (Análise + Resposta)"):
-        chatbot = gr.Chatbot(
-            label="Histórico de conversa com o atendente virtual",
-            height=400,
-        )
-        user_box = gr.Textbox(
-            label="Mensagem do cliente",
-            lines=3,
-            placeholder="Ex.: Estou chateado, o produto é ruim.",
-        )
-        sentimento_box = gr.Textbox(
-            label="Sentimento da última mensagem",
-            lines=4,
-        )
-        send_btn = gr.Button("Enviar e gerar resposta", variant="primary")
-
-        send_btn.click(
-            fn=generate_reply,
-            inputs=[chatbot, user_box],
-            outputs=[chatbot, user_box, sentimento_box],
+        gr.ChatInterface(
+            fn=chatbot_logic,
+            title="Atendente Virtual",
+            examples=["O produto chegou quebrado", "Amei o serviço!"],
+            retry_btn=None,
+            undo_btn=None,
         )
 
 
-if __name__ == "__main__":
-    # Usa fila do Gradio e desativa a API aberta (evita o bug "No API found")
-    demo.queue(api_open=False).launch()
+demo.queue(api_open=False).launch()