updated app.py

app.py

@@ -1,3 +1,10 @@
+# ChefMind - Türkçe Yapay Zekalı Yemek Asistanı
+# Proje Sahibi: Emir ÖZALP
+# Açıklama: Bu proje, Google Gemini destekli bir Türkçe yemek asistanıdır.
+# Kullanıcıdan alınan girdiye göre veri setinden benzer tarifleri FAISS kullanarak bulur
+# ve Gemini modeliyle doğal, açıklayıcı şekilde yanıtlar üretir.
+
+# GEREKLİ KÜTÜPHANELERİN İÇE AKTARILMASI
 import os
 import gradio as gr
 import google.generativeai as genai
@@ -8,12 +15,20 @@ import numpy as np
 import faiss
 from dotenv import load_dotenv
 
+
+# ORTAM DEĞİŞKENLERİNİN YÜKLENMESİ (.env dosyasından)
+# Burada .env dosyasındaki API anahtarımı okutarak Google Gemini modelini yetkilendiriyorum.
 load_dotenv()
 
 GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")
 genai.configure(api_key=GEMINI_API_KEY)
 
-# MODEL_CONFIG
+
+# MODEL YAPILANDIRMASI
+# Burada modelin üretim (generation) parametrelerini belirliyorum.
+# temperature: cevabın yaratıcılığını kontrol eder
+# top_p, top_k: örnekleme çeşitliliğini sınırlar
+# max_output_tokens: maksimum cevap uzunluğunu token bazında belirler
 MODEL_CONFIG = {
     "temperature": 0.7,
     "top_p": 0.95,
@@ -21,7 +36,10 @@ MODEL_CONFIG = {
     "max_output_tokens": 4096
 }
 
-# SYSTEM_PROMPT
+
+# SİSTEM PROMPT’U (MODELİN ROL TANIMI)
+# Burada modelin nasıl davranacağını tanımlıyorum.
+# Kısaca: Model bir Türk aşçısı gibi konuşacak, doğru, doğal ve açıklayıcı olacak.
 SYSTEM_PROMPT = (
     "Sen deneyimli bir Türk aşçısısın. "
     "Kullanıcılara yemek tarifleri, pişirme önerileri ve püf noktaları hakkında yardımcı oluyorsun. "
@@ -31,12 +49,23 @@ SYSTEM_PROMPT = (
     "Rastgele uydurma bilgi verme; sadece veri setinde bulunan bilgilerden yararlan."
 )
 
-# Hugging Face veriseti: https://huggingface.co/datasets/mertbozkurt/turkish-recipe
+
+# VERİ SETİNİN YÜKLENMESİ
+# Burada Hugging Face’te yer alan “mertbozkurt/turkish-recipe” veri setini yüklüyorum.
+# Bu veri seti 11.000+ Türkçe yemek tarifinden oluşuyor.
 dataset = load_dataset("mertbozkurt/turkish-recipe", data_files="datav2.csv")
 
+# Dataset'i DataFrame formatına çeviriyorum.
 df = pd.DataFrame(dataset["train"])
+
+# Hugging Face Spaces üzerinde (free tier kullanıcı özelliklerinden ötürü) daha hızlı başlatmak için veri setinin belirli bir kısmını alıyorum.
 df = df.sample(1000, random_state=42)
+
+# Eksik tarifleri temizliyorum (Title ve How-to-do sütunları boş olanları siliyorum).
 df.dropna(subset=["Title", "How-to-do"], inplace=True)
+
+# Her tarif için tek bir metin alanı oluşturuyorum.
+# Bu alanda yemek adı, kategori, malzemeler ve yapılış bilgisi birleştiriliyor.
 df["text"] = (
     "Yemek Adı: " + df["Title"].astype(str) + "\n"
     + "Kategori: " + df["Category"].astype(str) + "\n"
@@ -44,51 +73,71 @@ df["text"] = (
     + "Yapılışı: " + df["How-to-do"].astype(str)
 )
 
+
+# EMBEDDING MODELİNİN YÜKLENMESİ
+# Burada SentenceTransformer kullanarak tarif metinlerini sayısal vektörlere dönüştürüyorum.
+# multilingual-e5-base modeli, çok dilli metinleri anlamlı vektörlere çeviriyor.
 model_embed = SentenceTransformer("intfloat/multilingual-e5-base")
 
-# Tüm tariflerin embedding'lerini oluştur
+# Tüm tariflerin embedding’lerini oluşturuyorum ve normalize ediyorum.
 embeddings = model_embed.encode(df["text"].tolist(), normalize_embeddings=True)
 
-# FAISS ile index oluştur
+
+# FAISS İLE BENZERLİK ARAMA
+# FAISS (Facebook AI Similarity Search) hızlı vektör araması sağlar.
+# Burada cosine similarity’e denk gelen inner product (dot product) kullanıyorum.
 index = faiss.IndexFlatIP(embeddings.shape[1])
 index.add(embeddings)
 
+
+# TARİF GETİRME FONKSİYONU
+# Kullanıcıdan gelen soruya en benzer tarifleri embedding uzayında arıyorum.
 def retrieve_recipes(query, k=3):
     q_emb = model_embed.encode([query], normalize_embeddings=True)
     D, I = index.search(q_emb, k)
     return df.iloc[I[0]]["text"].tolist()
 
 
+# ANA CHAT FONKSİYONU
+# Bu fonksiyon, Gradio arayüzünden gelen her mesaj için çalışır.
+# 1. Kullanıcının sorusuna göre benzer tarifleri bulur.
+# 2. Bu tarifleri Gemini modeline bağlam olarak verir.
+# 3. Modelden Türkçe, doğal bir yanıt döndürür.
 def chat_function(message, history):
     try:
+        # Kullanıcı mesajına göre benzer tarifleri getiriyorum.
         context = "\n\n".join(retrieve_recipes(message))
+
+        # Sohbet geçmişini düzenliyorum (modelin bağlamı koruyabilmesi için).
         chat_context = "\n".join([f"Kullanıcı: {h[0]}\nAsistan: {h[1]}" for h in history])
 
+        # Model prompt’unu oluşturuyorum.
         prompt = f"""{SYSTEM_PROMPT}
-
                     Geçmiş konuşma:
                     {chat_context}
-
                     Yeni kullanıcı mesajı: {message}
-
                     Aşağıda veri tabanında benzer bulunan tarifler:
                     {context}
-
                     Bu bilgiler ışığında, kullanıcıya uygun Türkçe bir yanıt oluştur.
                     """
 
+        # Gemini modelini başlatıyorum.
         model = genai.GenerativeModel(
             model_name="gemini-2.0-flash",
             generation_config=MODEL_CONFIG,
             system_instruction=SYSTEM_PROMPT
         )
 
+        # Cevabı üretiyorum.
         response = model.generate_content(prompt)
         return response.text if response.text else "Yanıt alınamadı."
     except Exception as e:
         return f"Hata: {str(e)}"
 
 
+# GRADIO ARAYÜZ TASARIMI
+# Burada Gradio’nun Soft temasını özelleştiriyorum.
+# Arkaplanda yumuşak turuncu tonlar, cam efekti bloklar ve gradient butonlar kullanıldı.
 theme = gr.themes.Soft(
     primary_hue="amber",         
     secondary_hue="red",
@@ -107,6 +156,10 @@ theme = gr.themes.Soft(
     background_fill_secondary="rgba(255,255,255,0.6)",
 )
 
+
+# GRADIO CHAT INTERFACE
+# ChatInterface, kullanıcıyla etkileşimi sağlayan bileşen.
+# Burada örnek sorular, başlık, açıklama ve tema ayarlarını tanımlıyorum.
 demo = gr.ChatInterface(
     fn=chat_function,  
     title="👨‍🍳 ChefMind - Türkçe Yapay Zekalı Yemek Asistanı Emir ÖZALP 🍽️",
@@ -126,7 +179,9 @@ demo = gr.ChatInterface(
     theme=theme,
 )
 
-if __name__ == "__main__":
-    demo.launch(share=True)
-    
 
+# UYGULAMA BAŞLATMA
+# Eğer bu dosya doğrudan çalıştırılıyorsa (import edilmediyse),
+# Gradio arayüzünü başlatıyorum. share=True, bağlantıyı dış dünyayla paylaşmamı sağlıyor.
+if __name__ == "__main__":
+    demo.launch(share=True)