Update app.py

app.py

@@ -1,8 +1,9 @@
+
 import gradio as gr
 import joblib
 import numpy as np
 import os
-from transformers import pipeline
+from transformers import pipeline, AutoTokenizer, AutoModelForSeq2SeqLM
 
 # Caminho padrão do modelo de sentimentos
 MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
@@ -18,18 +19,30 @@ if os.path.exists(MODEL_PATH):
 else:
     print("⚠️ baseline_pipe.pkl não encontrado. Usando modo simulado.")
 
-# Carrega modelo generativo em português (T5-base da Unicamp)
-# Esse modelo entende instruções e responde em linguagem natural.
-generator = pipeline("text2text-generation", model="unicamp-dl/ptt5-base-portuguese-vocab")
+# ================================================================
+# 🔤 Carrega modelo generativo em português (T5-base da Unicamp)
+# ================================================================
+model_name = "unicamp-dl/ptt5-base-portuguese-vocab"
+
+try:
+    print(f"🔄 Carregando modelo generativo: {model_name} ...")
+    tokenizer = AutoTokenizer.from_pretrained(model_name)
+    model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
+    generator = pipeline("text2text-generation", model=model, tokenizer=tokenizer)
+    print("✅ Modelo generativo carregado com sucesso!")
+except Exception as e:
+    generator = None
+    print(f"⚠️ Erro ao carregar modelo T5: {e}")
+    print("⚠️ IA generativa será desativada.")
 
+# ================================================================
+# 🧩 Função principal: análise + resposta empática
+# ================================================================
 def predict_and_respond(text: str):
-    """
-    Analisa o sentimento do texto e gera uma resposta automática empática em português.
-    """
     if not text or text.strip() == "":
         return {"sentimento": "n/a", "resposta": "Por favor, digite uma avaliação válida."}
 
-    # Etapa 1 — Predição de sentimento
+    # --- Etapa 1: análise de sentimento ---
     if baseline:
         proba = baseline.predict_proba([text])[0]
         pred = int(np.argmax(proba))
@@ -39,28 +52,35 @@ def predict_and_respond(text: str):
         label = "positivo" if "bom" in text.lower() else "negativo"
         conf = 0.0
 
-    # Etapa 2 — Geração de resposta empática com T5
-    prompt = (
-        f"O cliente escreveu: '{text}'. "
-        f"O sentimento identificado é {label}. "
-        "Gere uma resposta curta, empática e em português natural, "
-        "como se fosse um atendente cordial da empresa."
-    )
-
-    try:
-        response = generator(prompt, max_new_tokens=80)[0]["generated_text"]
-        resposta_limpa = response.strip()
-    except Exception as e:
-        resposta_limpa = f"(Erro ao gerar resposta com o modelo T5: {e})"
-
-    # Retorna resultado final
+    # --- Etapa 2: geração de resposta empática ---
+    if generator:
+        prompt = (
+            f"O cliente escreveu: '{text}'. "
+            f"O sentimento identificado é {label}. "
+            "Gere uma resposta curta, educada e empática em português, "
+            "como se fosse um atendente cordial da empresa."
+        )
+        try:
+            response = generator(prompt, max_new_tokens=80)[0]["generated_text"]
+            resposta = response.strip()
+        except Exception as e:
+            resposta = f"(Erro ao gerar resposta: {e})"
+    else:
+        # Fallback se o modelo T5 não carregar
+        if label == "positivo":
+            resposta = "Ficamos felizes em saber que você gostou! 😊"
+        else:
+            resposta = "Sentimos muito pela sua experiência 😞. Nossa equipe está à disposição para ajudar!"
+    
     return {
         "sentimento": label,
         "confiança": round(conf, 3),
-        "resposta": resposta_limpa
+        "resposta": resposta
     }
 
-# Interface Gradio
+# ================================================================
+# 🎨 Interface do Gradio
+# ================================================================
 demo = gr.Interface(
     fn=predict_and_respond,
     inputs=gr.Textbox(label="Digite uma avaliação de produto"),