Update func_ai.py

func_ai.py

@@ -1,91 +1,74 @@
-# func_ai.py
 
 import requests
 import torch
+# from googletrans import Translator
 from transformers import pipeline
 from deep_translator import GoogleTranslator
 import time
-import os
-from datetime import datetime
-
+import os 
 VECTOR_API_URL = os.getenv('API_URL')
 
-def log_message(message):
-    timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
-    print(f"[{timestamp}] {message}")
+# translator = Translator()
 
-# Инициализация моделей
-def init_models():
-    log_message("Инициализация моделей AI.")
-    sentiment_model = pipeline(
-        'sentiment-analysis',
-        model='cardiffnlp/twitter-xlm-roberta-base-sentiment',
-        tokenizer='cardiffnlp/twitter-xlm-roberta-base-sentiment',
-        device=0 if torch.cuda.is_available() else -1
-    )
-    
-    classifier = pipeline(
-        "zero-shot-classification",
-        model="valhalla/distilbart-mnli-12-6",
-        device=0 if torch.cuda.is_available() else -1
-    )
-    return sentiment_model, classifier
+sentiment_model = pipeline(
+    'sentiment-analysis',
+    model='cardiffnlp/twitter-xlm-roberta-base-sentiment',
+    tokenizer='cardiffnlp/twitter-xlm-roberta-base-sentiment',
+    device=0 if torch.cuda.is_available() else -1
+)
 
-sentiment_model, classifier = init_models()
+classifier = pipeline(
+    "zero-shot-classification",
+    model="valhalla/distilbart-mnli-12-6",
+    device=0 if torch.cuda.is_available() else -1
+)
 
 def classify_comment(text):
     if not text:
-        log_message("Получен пустой текст для классификации.")
+        print("Received empty text for classification.")
         return "non-interrogative"
-    log_message(f"Классификация комментария: {text}")
+    print(f"Classifying comment: {text}")
     try:
         translated_text = GoogleTranslator(source='auto', target="en").translate(text)
-        log_message(f"Переведенный текст: {translated_text}")
+        print(f"Translated text: {translated_text}")
     except Exception as e:
-        log_message(f"Ошибка при переводе: {e}")
+        print(f"Translation failed: {e}")
         return "non-interrogative"
     if not translated_text:
-        log_message("Перевод вернул пустой текст.")
+        print("Translation returned empty text.")
         return "non-interrogative"
     
     try:
         result = classifier(translated_text, ["interrogative", "non-interrogative"], clean_up_tokenization_spaces=True)
-        log_message(f"Результат классификации: {result}")
+        print(f"Classification result: {result}")
     except Exception as e:
-        log_message(f"Ошибка при классификации: {e}")
+        print(f"Classification failed: {e}")
         return "non-interrogative"
     
     top_class = result['labels'][0]
-    log_message(f"Верхний класс: {top_class}")
+    print(f"Top class: {top_class}")
     return top_class
 
+def retrieve_from_vdb(query):
+    print(f"Отправка запроса к FastAPI сервису: {query}")
+    response = requests.post(f"{VECTOR_API_URL}/search/", json={"query": query})
+    if response.status_code == 200:
+        results = response.json().get("results", [])
+        print(f"Получено {len(results)} результатов: {results}")
+        return results
+    else:
+        print(f"Ошибка при поиске: {response.text}")
+        return []
+
 def analyze_sentiment(comments):
-    log_message("Начинаем анализ настроений.")
+    print("Начинаем анализ настроений.")
     results = []
     for i in range(0, len(comments), 50):
         batch = comments[i:i + 50]
-        log_message(f"Анализируем батч с {i} по {i + len(batch)} комментарий: {batch}")
-        try:
-            batch_results = sentiment_model(batch)
-            log_message(f"Результаты батча: {batch_results}")
-            results.extend(batch_results)
-        except Exception as e:
-            log_message(f"Ошибка при анализе настроений батча: {e}")
+        print(f"Анализируем батч с {i} по {i + len(batch)} комментарий: {batch}")
+        batch_results = sentiment_model(batch)
+        print(f"Результаты батча: {batch_results}")
+        results.extend(batch_results)
         time.sleep(1)  # Задержка для предотвращения перегрузки
-    log_message("Анализ настроений завершен.")
+    print("Анализ настроений завершен. Общие результаты: {results}")
     return results
-
-def retrieve_from_vdb(query):
-    log_message(f"Отправка запроса к FastAPI сервису: {query}")
-    try:
-        response = requests.post(f"{VECTOR_API_URL}/search/", json={"query": query})
-        if response.status_code == 200:
-            results = response.json().get("results", [])
-            log_message(f"Получено {len(results)} результатов: {results}")
-            return results
-        else:
-            log_message(f"Ошибка при поиске: {response.text}")
-            return []
-    except Exception as e:
-        log_message(f"Ошибка при запросе к векторной базе данных: {e}")
-        return []