Update app.py

app.py

@@ -28,62 +28,78 @@ import re
 import sys
 import time
 import unicodedata
-import pymupdf
+
 import numpy as np
 import streamlit as st
 
 # =============================================================================
-# Konfigurace (PŘESUNUTO NAHORU)
+# Konfigurace – musí být DEFINOVÁNA před prvním použitím BASE_DIR
 # =============================================================================
+
 BASE_DIR = os.path.dirname(os.path.abspath(__file__))
 
+# Přidej aktuální adresář do PYTHONPATH
+sys.path.insert(0, BASE_DIR)
+
+# Model – fallback chain: HF snapshot (stažený v build_index_startup.py) → base
+MODEL_PATHS = [
+    os.path.join(BASE_DIR, "model"),                                  # HF snapshot
+    os.path.join(BASE_DIR, "models", "jobbert-v3-czsk-hn-final"),     # lokální (volitelné)
+    os.path.join(BASE_DIR, "models", "jobbert-v3-czsk-final"),        # fallback
+    "TechWolf/JobBERT-v3",                                            # base
+]
+
 INDEX_DIR = os.path.join(BASE_DIR, "index")
 FAISS_PATH = os.path.join(INDEX_DIR, "positions.faiss")
 META_PATH = os.path.join(INDEX_DIR, "positions_metadata.json")
 
-# Model – fallback chain: fine-tuned → base
-MODEL_PATHS = [
-    os.path.join(BASE_DIR, "models", "jobbert-v3-czsk-final"),
-    "TechWolf/JobBERT-v3",
-]
+# Kolik kandidátů vytáhnout z FAISS (velká rezerva po filtru)
+TOP_K_SEARCH = 40
+# Kolik finálně zobrazit uživateli
+TOP_K_SHOW = 5
 
-# Přidej aktuální adresář do PYTHONPATH
-sys.path.insert(0, BASE_DIR)
+# ── Exclusion filter ──
+# 0.88 = jen opravdu podobné role (varianty "Junior/Senior X"), ne příbuzné obory.
+EXCLUSION_SIM_THRESHOLD = 0.88
+EXCLUSION_MAX_COUNT = 30        # hard cap – nikdy nevyhodíme víc pozic
+
+# ── Rescale raw cosine similarity pro user-friendly zobrazení ──
+# Fine-tuned model má gap cca pos=0.83, neg=0.08.
+# Relevantní "sousední" role padnou do range 0.25–0.70.
+# Mapujeme: 0.15 → 50%, 0.85 → 99% (lineárně), clamp na [20%, 99%].
+DISPLAY_MIN_RAW = 0.15
+DISPLAY_MAX_RAW = 0.85
+DISPLAY_MIN_PCT = 50.0
+DISPLAY_MAX_PCT = 99.0
+
+
+def display_score(raw: float) -> float:
+    """Přemapuj raw cosine similarity na user-facing procento (0–100)."""
+    if raw is None:
+        return 0.0
+    t = (raw - DISPLAY_MIN_RAW) / (DISPLAY_MAX_RAW - DISPLAY_MIN_RAW)
+    t = max(0.0, min(1.0, t))
+    pct = DISPLAY_MIN_PCT + t * (DISPLAY_MAX_PCT - DISPLAY_MIN_PCT)
+    return max(20.0, min(99.0, pct))
+
+
+# =============================================================================
+# Auto-build index + model při prvním startu (HF Spaces)
+# =============================================================================
+
+if not os.path.exists(FAISS_PATH):
+    import subprocess
+    subprocess.run(["python", "build_index_startup.py"], check=True)
 
-# Nyní už můžeme bezpečně importovat z tvých lokálních souborů
 from cv_parser import extract_cv_text, summarize_cv
 from rag_engine import (
     synthesize_profile,
     generate_response,
-    check_llm_available as check_ollama_available,
+    check_llm_available as check_ollama_available,  # alias kvůli rest kódu
     llm_generate as ollama_generate,
     _fallback_response,
 )
 
-# Auto-build index + model při prvním startu (HF Spaces)
-if not os.path.exists(FAISS_PATH):
-    try:
-        import subprocess
-        subprocess.run(
-            ["python", "build_index_startup.py"], 
-            capture_output=True, 
-            text=True, 
-            check=True
-        )
-    except subprocess.CalledProcessError as e:
-        st.error("🚨 Chyba při stavění FAISS indexu!")
-        st.code(e.stderr)
-        st.stop()
-
-# Kolik kandidátů vytáhnout z FAISS (velká rezerva po filtru)
-TOP_K_SEARCH = 40
-# Kolik finálně zobrazit uživateli
-TOP_K_SHOW = 5
-
-# Exclusion filter: embedding-based threshold a hard cap
-EXCLUSION_SIM_THRESHOLD = 0.88  
-EXCLUSION_MAX_COUNT = 30       
-
 
 # =============================================================================
 # Lazy loading (cache pro Streamlit)
@@ -430,15 +446,20 @@ def main():
 
         ollama_ok = check_ollama_available()
         if ollama_ok:
-            st.success("Ollama: připojena\n(llama3.2)")
+            st.success("LLM: Groq (llama-3.3-70b)")
         else:
-            st.warning("Ollama: nedostupná\n(fallback režim)")
+            st.warning("LLM: nedostupný\n(fallback režim)")
 
         st.divider()
         st.markdown("**Parametry**")
         st.caption(f"Vyhledání: top-{TOP_K_SEARCH}")
         st.caption(f"Zobrazení: top-{TOP_K_SHOW}")
         st.caption(f"Exclusion práh: {EXCLUSION_SIM_THRESHOLD:.2f}")
+        st.caption(f"Exclusion cap: max {EXCLUSION_MAX_COUNT}")
+
+        st.divider()
+        show_debug = st.checkbox("🔧 Debug info", value=False,
+                                  help="Zobrazí raw cosine similarity a interní metriky (pro autora/vedoucího)")
 
         st.divider()
         st.caption("Diplomová práce – Filip Husein")
@@ -560,6 +581,11 @@ def main():
                 exclude_ids=exclusion_ids,
             )
 
+        # 5b) Rescale skóre pro zobrazení (raw → user-friendly %)
+        for r in results:
+            r["raw_score"] = r["score"]                         # uchovat pro debug
+            r["score"] = display_score(r["raw_score"]) / 100.0  # nahradit displayem
+
         # 6) Generace odpovědi
         with st.spinner("Generuji doporučení..."):
             if ollama_ok:
@@ -621,31 +647,34 @@ def main():
             st.markdown(f"### 📊 Top {min(TOP_K_SHOW, len(results))} pozic ({elapsed:.1f}s)")
 
             for pos in results[:TOP_K_SHOW]:
-                score = pos["score"]
-                display_pct = 50 + int(50 * (score - 0.15) / (0.80 - 0.15))  # 0.15→50%, 0.80→100%
-                display_pct = max(20, min(99, display_pct))
-                if score >= 0.7:
-                    badge_class = "score-high"
+                score = pos["score"]          # už rescaled (0–1)
+                raw = pos.get("raw_score")    # původní cosine similarity
+                # Badge podle rescaled skóre (≥80 % výborná, 60–80 % dobrá, <60 % inspirace)
+                if score >= 0.80:
                     badge_emoji = "🟢"
-                elif score >= 0.4:
-                    badge_class = "score-mid"
+                    badge_label = "Výborná shoda"
+                elif score >= 0.60:
                     badge_emoji = "🟡"
+                    badge_label = "Dobrá shoda"
                 else:
-                    badge_class = "score-low"
-                    badge_emoji = "🔴"
+                    badge_emoji = "🔵"
+                    badge_label = "Zajímavá inspirace"
+
+                header = f"{badge_emoji} #{pos['rank']} – {pos['title']} ({score:.0%})"
+                if show_debug and raw is not None:
+                    header += f"  [raw={raw:.3f}]"
 
-                with st.expander(
-                    f"{badge_emoji} #{pos['rank']} – {pos['title']} ({score:.0%})",
-                    expanded=(pos['rank'] <= 2),
-                ):
+                with st.expander(header, expanded=(pos['rank'] <= 2)):
                     cols = st.columns([3, 1])
                     with cols[0]:
-                        st.markdown(f"**{pos['title']}**")
+                        st.markdown(f"**{pos['title']}** · {badge_label}")
                         desc = pos.get("description", "")
                         if desc:
                             st.write(desc[:400] + ("..." if len(desc) > 400 else ""))
                     with cols[1]:
                         st.metric("Shoda", f"{score:.0%}")
+                        if show_debug and raw is not None:
+                            st.caption(f"raw cos: {raw:.3f}")
 
                     # Metadata
                     meta_parts = []
@@ -664,6 +693,25 @@ def main():
 
                     if meta_parts:
                         st.markdown(" · ".join(meta_parts))
+
+            # Debug tabulka s raw skóre
+            if show_debug:
+                st.divider()
+                st.markdown("#### 🔧 Debug – raw cosine similarity")
+                debug_rows = [
+                    {
+                        "rank": r["rank"],
+                        "title": r["title"][:60],
+                        "raw_cos": round(r.get("raw_score", 0), 4),
+                        "display_%": f"{r['score']*100:.1f}%",
+                    }
+                    for r in results[:TOP_K_SHOW]
+                ]
+                st.table(debug_rows)
+                st.caption(
+                    f"Mapování: raw {DISPLAY_MIN_RAW:.2f} → {DISPLAY_MIN_PCT:.0f} %  |  "
+                    f"raw {DISPLAY_MAX_RAW:.2f} → {DISPLAY_MAX_PCT:.0f} %  (lineárně, clamp 20–99 %)"
+                )
         else:
             st.warning(
                 "Po odfiltrování aktuální pozice nezbyly žádné kandidátní pozice. "