File size: 23,666 Bytes
7b295db |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 |
from doc_processor import DocProcessor
from contextual_doc_processor import ContextualDocProcessor
from embedding_retriever import EmbeddingRetriever
from langchain_community.retrievers import BM25Retriever
import numpy as np
from huggingface_hub import InferenceClient
import torch
# from sentence_transformers import CrossEncoder
import json
import os
def get_list_dir(DATA_DIR):
list_dir = os.listdir(DATA_DIR)
list_dir = [d for d in list_dir if os.path.isdir(os.path.join(DATA_DIR, d))]
return list_dir
def get_data_paths(DATA_DIR, list_dir):
list_files = []
for d in list_dir:
start_path = os.path.join(DATA_DIR, d)
filenames = os.listdir(start_path)
filenames = [f for f in filenames if f.endswith(".json")]
paths = [os.path.join(start_path, f) for f in filenames]
list_files += paths
return list_files
def get_chunks(DATA_DIR, list_dir, use_context_wtcontext, use_context, PATH_SAVE_CHUNKS, PATH_SAVE_CONTEXT_CHUNKS):
chunks = []
LIST_FILES = get_data_paths(DATA_DIR, list_dir)
if use_context_wtcontext:
doc_process = ContextualDocProcessor(LIST_FILES, PATH_SAVE_CONTEXT_CHUNKS)
doc_process.process_data()
chunks = doc_process.chunks
doc_process = DocProcessor(LIST_FILES, PATH_SAVE_CHUNKS)
doc_process.process_data()
chunks += doc_process.chunks
else:
if use_context:
doc_process = ContextualDocProcessor(LIST_FILES, PATH_SAVE_CONTEXT_CHUNKS)
else:
doc_process = DocProcessor(LIST_FILES, PATH_SAVE_CHUNKS)
doc_process.process_data()
chunks = doc_process.chunks
return chunks
def process_data(DATA_DIR, PATH_SAVE_CHUNKS, PATH_SAVE_CONTEXT_CHUNKS, use_context_wtcontext, use_context):
list_dir = get_list_dir(DATA_DIR)
chunks = get_chunks(DATA_DIR, list_dir, use_context_wtcontext, use_context, PATH_SAVE_CHUNKS, PATH_SAVE_CONTEXT_CHUNKS)
return list_dir, chunks
def add_embedding_retriever(embedding_models, embedding_model_name, path_idx, chunks, device):
embedding_models[path_idx] = EmbeddingRetriever(embedding_model_name, path_idx, chunks, device)
return embedding_models
def add_BM25_retriever(chunks, TOP_K):
return BM25Retriever.from_documents(chunks, k=TOP_K)
def process_retrievers(embedding_model_names, chunks, TOP_K, use_context, use_context_wtcontext, PATH_IDX, PATH_IDX_CONTEXT, PATH_IDX_CONTEXT_AND_WT, device):
embedding_models = {}
if embedding_model_names:
path_idx = PATH_IDX_CONTEXT_AND_WT if use_context_wtcontext else PATH_IDX_CONTEXT if use_context else PATH_IDX
for embedding_model_name in embedding_model_names:
embedding_models = add_embedding_retriever(embedding_models, embedding_model_name, path_idx, device)
BM25_retriever = add_BM25_retriever(chunks, TOP_K)
return embedding_models, BM25_retriever
class Agent:
def __init__(self, list_dir, chunks, embedding_models, BM25_retriever, TOP_K,
reformulation=False, use_HyDE=False, use_HyDE_cut=False, ask_again=False):
# self.DATA_DIR = DATA_DIR
# self.agent_name = agent_name
self.embedding_models = embedding_models
self.BM25_retriever = BM25_retriever
self.ranks = {}
self.current_query = [] if reformulation else ""
self.reformulation = reformulation
self.use_HyDE = use_HyDE
self.use_HyDE_cut = use_HyDE_cut
self.ask_again = ask_again
self.history = []
# self.device = device
# self.semantic_rerank_model = model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
# self.list_dir = self.get_list_dir(DATA_DIR)
self.list_dir = list_dir
self.TOP_K = TOP_K
self.chunks = chunks
# LIST_FILES = self.get_data_paths(DATA_DIR)
# if use_context_wtcontext:
# doc_process = ContextualDocProcessor(LIST_FILES, PATH_SAVE_CONTEXT_CHUNKS)
# doc_process.process_data()
# self.chunks = doc_process.chunks
# doc_process = DocProcessor(LIST_FILES, PATH_SAVE_CHUNKS)
# doc_process.process_data()
# self.chunks += doc_process.chunks
# else:
# if use_context:
# doc_process = ContextualDocProcessor(LIST_FILES, PATH_SAVE_CONTEXT_CHUNKS)
# else:
# doc_process = DocProcessor(LIST_FILES, PATH_SAVE_CHUNKS)
# doc_process.process_data()
# self.chunks = doc_process.chunks
# if embedding_model_names:
# path_idx = PATH_IDX_CONTEXT_AND_WT if use_context_wtcontext else PATH_IDX_CONTEXT if use_context else PATH_IDX
# for embedding_model_name in embedding_model_names:
# self.add_embedding_retriever(embedding_model_name, path_idx)
# self.add_BM25_retriever()
# def get_list_dir(self, DATA_DIR):
# list_dir = os.listdir(DATA_DIR)
# list_dir = [d for d in list_dir if os.path.isdir(os.path.join(DATA_DIR, d))]
# return list_dir
# def get_data_paths(self, DATA_DIR):
# list_files = []
# # for d in os.listdir(DATA_DIR):
# # if os.path.isdir(os.path.join(DATA_DIR, d)):
# for d in self.list_dir:
# start_path = os.path.join(DATA_DIR, d)
# filenames = os.listdir(start_path)
# filenames = [f for f in filenames if f.endswith(".json")]
# paths = [os.path.join(start_path, f) for f in filenames]
# list_files += paths
# return list_files
def select_sub_part_of_data(self, query):
list_dept = "\n".join(f"- {dept}" for dept in self.list_dir)
prompt = f"""Voici une liste de secteur d'activité:
{list_dept}
Quel est le secteur d'activité qui correspond à la question suivante : {query}
Répondre uniquement avec le nom du secteur d'activité.
"""
response = InferenceClient().chat.completions.create(
model="deepseek-ai/DeepSeek-V3-0324",
messages=[
{
"role": "user",
"content": prompt
}
],
)
dept = response.choices[0].message.content
return dept
# def add_embedding_retriever(self, embedding_model_name, PATH_IDX):
# self.embedding_models[PATH_IDX] = EmbeddingRetriever(embedding_model_name, PATH_IDX, self.chunks, self.device)
def ask_a_question(self, query, nb_reformulation=5):
self.ranks = {}
# self.dept = self.select_sub_part_of_data(query)
# print("Dept:",self.dept)
# query = query + "\nLe département correspondant à cette question est " + self.dept
if not self.reformulation and not self.use_HyDE and not self.use_HyDE_cut:
self.current_query = query
else:
self.current_query = [query]
if self.reformulation:
self.reformulation_of_the_query(nb_reformulation)
if self.use_HyDE:
doc_hyde = self.generate_HyDE(query)
self.current_query += [doc_hyde]
if self.use_HyDE_cut:
doc_hyde = self.generate_HyDE_cut(query)
self.current_query += [doc_hyde]
# print(self.current_query)
def generate_HyDE(self, query):
prompt = f"Voila une question d'un utilisateur: '{query}'\n\nGénère une réponse hypothétique en français à cette question qui pourrait être présente sur un site d'information avec 1000 caratères maximum."
response = InferenceClient().chat.completions.create(
model="deepseek-ai/DeepSeek-V3-0324",
messages=[
{
"role": "user",
"content": prompt
}
],
)
doc_gen = response.choices[0].message.content
return doc_gen
def generate_HyDE_cut(self, query):
prompt = f"Voila une question d'un utilisateur: '{query}'\n\nGénère une réponse hypothétique en français à cette question qui pourrait être présente sur un site d'information."
response = InferenceClient().chat.completions.create(
model="deepseek-ai/DeepSeek-V3-0324",
messages=[
{
"role": "user",
"content": prompt
}
],
)
doc_gen = response.choices[0].message.content[:1000]
return doc_gen
def reformulation_of_the_query(self, nb_reformulation=5):
prompt = f"Reformule en français {nb_reformulation} fois la question '{self.current_query[0]}'"
response = InferenceClient().chat.completions.create(
model="deepseek-ai/DeepSeek-V3-0324",
messages=[
{
"role": "user",
"content": prompt
}
],
)
queries = response.choices[0].message.content.split('\n')
queries = [q for q in queries if "?" in q and not self.current_query[0] in q]
self.current_query += queries
def retrieve_data_from_embeddings(self):
r = {}
if self.reformulation or self.use_HyDE or self.use_HyDE_cut:
for i, query in enumerate(self.current_query):
for name_model, retriever in self.embedding_models.items():
r[str(i)+"-"+name_model] = retriever.retrieve_data(query, self.TOP_K)
else:
for name_model, retriever in self.embedding_models.items():
r[name_model] = retriever.retrieve_data(self.current_query, self.TOP_K)
self.ranks.update(r)
# self.add_dict_to_ranks(r)
# def add_dict_to_ranks(self, data):
# if self.query in self.ranks:
# self.ranks.update(data)
# else:
# self.ranks = data
# def add_BM25_retriever(self):
# self.BM25_retriever = BM25Retriever.from_documents(self.chunks, k=self.TOP_K)
def retrieve_data_from_BM25(self):
if self.reformulation or self.use_HyDE or self.use_HyDE_cut:
for i, query in enumerate(self.current_query):
self.retrieve_query_from_BM25(query, str(i)+"-BM25")
else:
self.retrieve_query_from_BM25(self.current_query, "BM25")
# self.add_dict_to_ranks(query, {'BM25': np.array(idx_bm25)})
def retrieve_query_from_BM25(self, query, rank_name):
top_k_docs = self.BM25_retriever.invoke(query)
# filtered_chunks = [d for d in top_k_docs if self.dept in d.metadata['source']]
# print("Filtered chunks:",len(filtered_chunks))
idx_bm25 = self.get_idx_from_lists(self.chunks, top_k_docs)
self.ranks[rank_name] = np.array(idx_bm25)
def get_idx_from_lists(self, main_list, sublist):
idx_list = []
for sl in sublist:
if sl in main_list:
idx_list += [main_list.index(sl)]
return idx_list
def RRF(self, k=60):
idx_score = {}
for idx_list in self.ranks.values():
for rank, idx in enumerate(idx_list):
if idx not in idx_score:
idx_score[idx] = 1 / (k + rank)
else:
idx_score[idx] += 1 / (k + rank)
return sorted(idx_score.items(), key=lambda x:x[1], reverse=True)
# merge_l = RRF([idx_bm25, [4,149]])
# print(merge_l)
def get_chunks_from_rank(self, idx_list):
chunks = []
for e in idx_list:
id, score = e
chunks += [self.chunks[id]]
return chunks
def create_prompt_with_context(self, rank):
chunks_list = self.get_chunks_from_rank(rank)
page_contents = [chunk.page_content + "\n\nSource:" + chunk.metadata['source'] for chunk in chunks_list]
context = "\n\n".join(page_contents)
query = self.current_query[0] if self.reformulation or self.use_HyDE or self.use_HyDE_cut else self.current_query
prompt = f"Répondez à la question suivante en utilisant le contexte ci-dessous:\n\nContexte:\n{context}\n\nQuestion: {query}"
self.history += [{
"role": "user",
"content": prompt,
}]
return prompt, page_contents
def ask_agent(self, cpt=1):
query = self.history[-1]['content']
response = InferenceClient().chat_completion(
model="deepseek-ai/DeepSeek-V3-0324",
messages = self.history,
temperature = 0,
seed = 0
)
reply = response.choices[0].message.content
self.history += [{
"role": "assistant",
"content": reply,
}]
if self.ask_again:
good_reply = self.ask_again_agent(cpt)
if not good_reply:
start = "Peux-tu donner une meilleur réponse à cette question:"
if not query.startswith(start):
query = f"Peux-tu donner une meilleur réponse à cette question: \n\n {query}"
self.ask_a_question(query)
self.history += [{
"role": "user",
"content": query,
}]
reply = self.ask_agent(cpt+1)
return reply
def ask_again_agent(self, cpt=1):
prompt = f"Est ce que la réponse donnée est satisfaisante ? Répondre uniquement par Oui ou Non."
self.history += [{
"role": "user",
"content": prompt,
}]
response = InferenceClient().chat.completions.create(
model="deepseek-ai/DeepSeek-V3-0324",
messages = self.history,
options = {'temperature': 0}
)
reply = response.choices[0].message.content
self.history += [{
"role": "assistant",
"content": reply,
}]
if "Oui" in reply or cpt > 4:
return True
return False
# def semantic_rerank(self, chunks, reply):
# # chunks_list = self.get_chunks_from_rank(rank)
# # page_contents = [chunk.page_content + "\n\nSource:" + chunk.metadata['source'] for chunk in chunks_list]
# pairs = [(chunk, reply) for chunk in chunks]
# scores = self.semantic_rerank_model.predict(pairs)
# ranked = sorted(zip(chunks, scores), key=lambda x: x[1], reverse=True)
# return ranked
def get_url_from_paths(self, paths):
url = []
for p in paths:
with open(p) as json_file:
data = json.load(json_file)
url += [data['url']]
return url
def get_a_reply(self, query):
self.ask_a_question(query)
# self.retrieve_data_from_embeddings()
self.retrieve_data_from_BM25()
rank = self.RRF()
prompt, chunks = self.create_prompt_with_context(rank)
reply = self.ask_agent()
self.retrieve_query_from_BM25(reply, 'source')
sources_BM25 = [self.chunks[r].metadata['source'] for r in self.ranks['source']]
sources = list({s for s in sources_BM25 if sources_BM25.count(s) > 1})
if not sources:
sources = [sources_BM25[0]]
sources = self.get_url_from_paths(sources)
# print("=== HISTORY ===")
# print(self.history)
return (reply, sources)
# def ask(self, query, PATH_IDX_CONTEXT_AND_WT, PATH_IDX_CONTEXT, PATH_IDX, embedding_model_name, TOP_K):
# path_idx = PATH_IDX_CONTEXT_AND_WT if use_context_and_wt else PATH_IDX_CONTEXT if use_context else PATH_IDX
# agent.add_embedding_retriever(embedding_model_name, path_idx)
# agent.add_BM25_retriever(TOP_K)
# agent.ask_a_question(query)
# agent.retrieve_data_from_embeddings(TOP_K)
# agent.retrieve_data_from_BM25()
# # print(agent.ranks)
# rank = agent.RRF()
# prompt, chunks = agent.create_prompt_with_context(rank)
# reply = agent.ask_agent()
# agent.retrieve_query_from_BM25(reply, 'source')
# sources_BM25 = [agent.chunks[r].metadata['source'] for r in agent.ranks['source']]
# sources = list({s for s in sources_BM25 if sources_BM25.count(s) > 1})
# if not sources:
# sources = [sources_BM25[0]]
# sources = agent.get_url_from_paths(sources)
# # print(sources)
# return (reply, sources)
if __name__ == "__main__":
DATA_DIR = "data_websites"
PATH_SAVE_CHUNKS = "chunks_saved.json"
PATH_SAVE_CONTEXT = "chunks_with_context.json"
PATH_IDX = "index_faiss_data_sh"
PATH_IDX_CONTEXT = "index_faiss_context_sh"
PATH_IDX_CONTEXT_AND_WT= "index_faiss_context_and_wt_sh"
# embedding_model_names = ["Geotrend/distilbert-base-en-fr-cased"]
embedding_model_names = []
# embedding_model_name = "almanach/camembertav2-base"
agent_name = "Geotrend/distilbert-base-en-fr-cased"
TOP_K = 10
# query = "Quelles sont les missions du collège Sciences de l’Homme ?"
# query = "Comment reprendre des études supérieures sans baccalauréat?"
# query = "**Les débouchés après une licence en informatique** \n\nObtenir une licence en informatique ouvre les portes à de nombreux débouchés professionnels excitants ! Voici quelques-uns des postes et domaines où vous pouvez appliquer vos compétences :\n\n1. **Développeur logiciel** : Créez des applications, des jeux vidéo ou des systèmes d'information pour répondre aux besoins des entreprises ou des particuliers.\n2. **Système administrateur** : Gérez les serveurs, les réseaux et les bases de données pour garantir la sécurité et l'intégrité des systèmes informatiques.\n3. **Analyste de système** : Étudiez les besoins des entreprises pour concevoir et améliorer les systèmes d'information, aidant ainsi à optimiser leurs processus métier.\n4. **Consultant en technologies de l'information** : Aidez les entreprises à choisir et à mettre en œuvre les solutions informatiques qui répondent à leurs besoins spécifiques.\n5. **Ingénieur logiciel** : Conceptionnez, développez et testez des logiciels pour répondre aux exigences des industries telles que l'aéronautique, la défense ou la santé.\n6. **Data Scientist** : Analysez et interprétez les données pour aider les entreprises à prendre des décisions éclairées et à améliorer leurs processus métier.\n7. **Conception de produits** : Utilisez vos compétences en informatique pour concevoir et développer des produits innovants, tels que des jeux vidéo, des applications mobiles ou des appareils connectés.\n8. **Gestionnaire de projet** : Planifiez, coordinatez et contrôliez les projets informatiques pour assurer leur réussite et leur livraison dans les délais impartis.\n9. **Formateur en informatique** : Partagez vos connaissances avec d'autres en créant des cours, des tutoriels ou des formations en informatique.\n10. **Entrepreneur** : Fondez votre propre entreprise de services IT ou développez un produit innovant qui répond à un besoin spécifique sur le marché.\n\nEn résumé, une licence en informatique vous offre une grande variété de débouchés professionnels, allant des technologies de l'information aux industries créatives. Les compétences acquises lors de votre formation vous permettront de faire carrière dans les secteurs les plus diversifiés !"
# query = "Comment arriver en licence de sociologie?"
# query = "L'université de Bordeaux permet aux étudiants de demander la prise en compte de leur prénom d'usage ?"
# query = "Comment prendre rendez-vous à la Clinique du droit ?"
query = "Comment se déroule la formation \"Accompagner les personnes âgées, comprendre le vieillissement et ses conséquences\" ?"
# use_context = True
use_context = False
# reformulation = True
reformulation = False
# use_HyDE = True
use_HyDE = False
# use_HyDE_cut = True
use_HyDE_cut = False
use_context_wtcontext= True
# use_context_wtcontext= False
# ask_again = True
ask_again = False
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# device = 'cpu'
# print('Using device:', device)
list_dir, chunks = process_data(DATA_DIR, PATH_SAVE_CHUNKS, PATH_SAVE_CONTEXT, use_context_wtcontext, use_context)
embedding_models, BM25_retriever = process_retrievers(embedding_model_names, chunks, TOP_K, use_context,
use_context_wtcontext, PATH_IDX, PATH_IDX_CONTEXT,
PATH_IDX_CONTEXT_AND_WT, device)
agent = Agent(list_dir, chunks, embedding_models, BM25_retriever, TOP_K, reformulation,
use_HyDE, use_HyDE_cut, ask_again)
agent.ask_a_question(query)
agent.retrieve_data_from_embeddings()
agent.retrieve_data_from_BM25()
print(agent.ranks)
for name, lr in agent.ranks.items():
print("*******",name,"*******")
for r in lr:
print(r)
# if name == PATH_IDX_CONTEXT:
# print(agent.doc_process.context[r])
# else:
print(agent.chunks[r])
rank = agent.RRF()
prompt, chunks = agent.create_prompt_with_context(rank)
reply = agent.ask_agent()
print("***************")
for diag in agent.history:
print(diag)
# print(agent.history)
print("***************")
print(reply)
# sources = agent.semantic_rerank(chunks, reply)
# print("\nSemantic rerank:")
# for chunk, score in sources[:10]:
# print(f"Score: {score:.3f} | Chunk: {chunk.split('Source:')[-1]}")
print("\nRank retrievers:")
for chunk in chunks[:10]:
print(f"Chunk: {chunk.split('Source:')[-1]}")
agent.retrieve_query_from_BM25(reply, 'source')
print("\nBM25 rerank:")
for r in agent.ranks['source']:
print(agent.chunks[r].metadata['source'])
########## Complete usage ##########
# agent = Agent(DATA_DIR, PATH_SAVE_CHUNKS, PATH_SAVE_CONTEXT, agent_name)
# agent.add_embedding_retriever(embedding_model_name, PATH_IDX)
# agent.add_BM25_retriever(TOP_K)
# agent.ask_a_question(query)
# agent.retrieve_data_from_embeddings(TOP_K)
# agent.retrieve_data_from_BM25()
# print(agent.ranks)
# for lr in agent.ranks.values():
# print("**************")
# for r in lr:
# print(r)
# print(agent.chunks[r])
# rank = agent.RRF()
# prompt = agent.create_prompt_with_context(rank)
# reply = agent.ask_agent()
# print(reply)
####################################
########## TO DO ##########
# Chercher modele agent et le mettre en place : OK
# Add history : OK a priori
# Améliorer chunks
# recursive retriever
|