Update app.py

app.py

@@ -2,56 +2,56 @@ import gradio as gr
 import joblib
 import numpy as np
 import os
+from transformers import pipeline
 
 # Caminho padrão do modelo
 MODEL_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
 
-# Tenta carregar o modelo treinado
+# Carrega o modelo de sentimentos
 baseline = None
 if os.path.exists(MODEL_PATH):
-    try:
-        baseline = joblib.load(MODEL_PATH)
-        print(f"✅ Modelo carregado com sucesso: {MODEL_PATH}")
-    except Exception as e:
-        print(f"⚠️ Erro ao carregar o modelo '{MODEL_PATH}': {e}")
+    baseline = joblib.load(MODEL_PATH)
+    print("✅ Modelo de sentimento carregado.")
 else:
-    print(f"⚠️ Aviso: arquivo de modelo '{MODEL_PATH}' não encontrado. Executando em modo demonstração.")
+    print("⚠️ Aviso: baseline_pipe.pkl não encontrado. Usando modo simulado.")
 
-def predict_sentiment(text: str):
-    """
-    Realiza a predição de sentimento (positivo/negativo) ou simula resposta
-    se o modelo não estiver carregado.
-    """
+# Cria o gerador de texto (IA generativa local)
+generator = pipeline("text-generation", model="distilgpt2")
+
+def predict_and_respond(text: str):
     if not text or text.strip() == "":
-        return {"predição": "n/a", "confiança": 0.0}
-    
-    # Caso o modelo não esteja disponível
-    if baseline is None:
-        fake_pred = "positivo" if "bom" in text.lower() else "negativo"
-        return {"predição": f"(simulado) {fake_pred}", "confiança": 0.0}
-    
-    # Predição real
-    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": round(conf, 4)}
+        return {"sentimento": "n/a", "resposta": "Por favor, digite um texto válido."}
+
+    # Predição de sentimento
+    if baseline:
+        proba = baseline.predict_proba([text])[0]
+        pred = int(np.argmax(proba))
+        label = "positivo" if pred == 1 else "negativo"
+    else:
+        label = "positivo" if "bom" in text.lower() else "negativo"
+
+    # Gera uma resposta contextual
+    prompt = (
+        f"O cliente escreveu: '{text}'. "
+        f"Identificamos que o sentimento é {label}. "
+        "Responda de forma empática e útil, em português:"
+    )
+    response = generator(prompt, max_new_tokens=60, do_sample=True, temperature=0.7)[0]["generated_text"]
+
+    # Retorna resultados
+    return {
+        "sentimento": label,
+        "resposta": response.replace(prompt, "").strip()
+    }
 
 # Interface Gradio
 demo = gr.Interface(
-    fn=predict_sentiment,
+    fn=predict_and_respond,
     inputs=gr.Textbox(label="Digite uma avaliação de produto"),
-    outputs=gr.JSON(label="Resultado"),
-    title="🛍️ Análise de Sentimentos (Amazon Polarity)",
-    description=(
-        "Classificador TF-IDF + Regressão Logística. "
-        "Caso o arquivo baseline_pipe.pkl não esteja presente, o sistema usa modo simulado."
-    ),
-    theme="soft",
-    examples=[
-        ["Este produto é incrível, recomendo muito!"],
-        ["Horrível, que desperdício de dinheiro."]
-    ],
+    outputs=gr.JSON(label="Análise + Resposta"),
+    title="🧠 Análise de Sentimentos + IA Generativa",
+    description="Analisa o sentimento e gera uma resposta automática e empática ao usuário.",
+    theme="soft"
 )
 
 if __name__ == "__main__":