Update app.py

app.py

@@ -2,7 +2,7 @@ import gradio as gr
 import openai
 import fitz  # PyMuPDF
 import torch
-from transformers import pipeline
+from transformers import pipeline, BloomForCausalLM, BloomTokenizerFast
 from huggingface_hub import login
 
 import os
@@ -21,6 +21,10 @@ gemma_pipe = pipeline(
     device="cpu"
 )
 
+# Initialize the Bloom model
+bloom_model = BloomForCausalLM.from_pretrained("bigscience/bloom-1b3")
+bloom_tokenizer = BloomTokenizerFast.from_pretrained("bigscience/bloom-1b3")
+
 def extract_text_from_pdf(pdf_file):
     document = fitz.open(pdf_file)
     text = ""
@@ -32,14 +36,13 @@ def extract_text_from_pdf(pdf_file):
 def evaluate_with_gpt(pdf_file, job_description):
     resume_text = extract_text_from_pdf(pdf_file)
     
-    # اینجا شما لیست کلمات کلیدی مورد نظر خود را تعیین می‌کنید
     keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
     
     prompt = f"""
     به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، نقش شما شامل ارزیابی رزومه نسبت به شرح شغل و کلمات کلیدی مشخصی است.
-    لطفاً رزومه فرد را با در نظر گرفتن  کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
+    لطفاً رزومه فرد را با در نظر گرفتن کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
     
-  ارزیابی را بر اساس دقیقا این کلمات کلیدی  {keywords} محاسبه کن.
+    ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
     شرح شغل: {job_description}
     رزومه: {resume_text}
     
@@ -63,14 +66,13 @@ def evaluate_with_gpt(pdf_file, job_description):
 def evaluate_with_gemma(pdf_file, job_description):
     resume_text = extract_text_from_pdf(pdf_file)
 
-    # اینجا شما لیست کلمات کلیدی مورد نظر خود را تعیین می‌کنید
     keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
     
     prompt = f"""
     به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، نقش شما شامل ارزیابی رزومه نسبت به شرح شغل و کلمات کلیدی مشخصی است.
-    لطفاً رزومه فرد را با در نظر گرفتن  کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
+    لطفاً رزومه فرد را با در نظر گرفتن کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
     
-  ارزیابی را بر اساس دقیقا این کلمات کلیدی  {keywords} محاسبه کن.
+    ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
     شرح شغل: {job_description}
     رزومه: {resume_text}
     
@@ -81,20 +83,42 @@ def evaluate_with_gemma(pdf_file, job_description):
     outputs = gemma_pipe(prompt, max_new_tokens=256)
     return outputs[0]["generated_text"].strip()
 
-def evaluate_both_models(pdf_file, job_description):
+def evaluate_with_bloom(pdf_file, job_description):
+    resume_text = extract_text_from_pdf(pdf_file)
+
+    keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
+    
+    prompt = f"""
+    به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، نقش شما شامل ارزیابی رزومه نسبت به شرح شغل و کلمات کلیدی مشخصی است.
+    لطفاً رزومه فرد را با در نظر گرفتن کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
+    
+    ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
+    شرح شغل: {job_description}
+    رزومه: {resume_text}
+    
+    من پاسخ را در یک رشته با ساختار زیر می‌خواهم:
+    {{"تطابق شرح شغل با رزومه فرد ":"%"، "تعداد کلمات کلیدی غیر منطبق  ":""، "تعداد کلمات کلیدی منطبق   ":""}}
+    """
+    
+    inputs = bloom_tokenizer(prompt, return_tensors="pt")
+    outputs = bloom_model.generate(inputs["input_ids"], max_length=256)
+    return bloom_tokenizer.decode(outputs[0], skip_special_tokens=True).strip()
+
+def evaluate_all_models(pdf_file, job_description):
     gpt_result = evaluate_with_gpt(pdf_file, job_description)
     gemma_result = evaluate_with_gemma(pdf_file, job_description)
-    return f"GPT-4o Result:\n{gpt_result}\n\nGemma Result:\n{gemma_result}"
+    bloom_result = evaluate_with_bloom(pdf_file, job_description)
+    return f"GPT-4o Result:\n{gpt_result}\n\nGemma Result:\n{gemma_result}\n\nBloom Result:\n{bloom_result}"
 
 iface = gr.Interface(
-    fn=lambda pdf, jd, model: evaluate_with_gpt(pdf, jd) if model == "GPT-4o" else evaluate_with_gemma(pdf, jd) if model == "Gemma" else evaluate_both_models(pdf, jd),
+    fn=lambda pdf, jd, model: evaluate_with_gpt(pdf, jd) if model == "GPT-4o" else evaluate_with_gemma(pdf, jd) if model == "Gemma" else evaluate_with_bloom(pdf, jd) if model == "Bloom" else evaluate_all_models(pdf, jd),
     inputs=[
         gr.File(label="Upload Resume PDF"),
         gr.Textbox(lines=10, label="Job Description"),
-        gr.Radio(choices=["GPT-4o", "Gemma", "Both"], label="Choose Model")
+        gr.Radio(choices=["GPT-4o", "Gemma", "Bloom", "All"], label="Choose Model")
     ],
     outputs="text",
     title="Resume Evaluator"
 )
 
-iface.launch()
+iface.launch()