Update app.py

app.py

@@ -1,63 +1,72 @@
+import pandas as pd
+from sklearn.metrics.pairwise import cosine_similarity
+import numpy as np
+from openai import OpenAI
+import ast
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
+# Inicjalizuj klienta API
+client = OpenAI()
+
+# Wczytaj plik CSV
+df = pd.read_csv('ally.csv')
+
+
+# Przekształć stringi z powrotem do list
+df['embedding'] = df['embedding'].apply(ast.literal_eval)
+
+# Następnie przekształć listy na tablice numpy
+df['embedding'] = df['embedding'].apply(np.array)
 
+def znajdz_najblizsze_teksty(tekst_wejsciowy, df, client, top_n=2):
+    # Wygeneruj embedding dla tekstu wejściowego
+    response = client.embeddings.create(input=tekst_wejsciowy, model="text-embedding-3-large")
+    embedding_wejsciowy = response.data[0].embedding
 
-if __name__ == "__main__":
-    demo.launch()
+    # Oblicz podobieństwo kosinusowe między embeddingiem wejściowym a wszystkimi innymi embeddingami
+    df['podobienstwo'] = df['embedding'].apply(lambda x: cosine_similarity([x], [embedding_wejsciowy])[0][0])
+
+    # Posortuj DataFrame według podobieństwa i zwróć top_n najbardziej podobnych tekstów
+    return df.sort_values('podobienstwo', ascending=False).head(top_n)['text']
+
+
+# Użyj funkcji do znalezienia najbardziej podobnych tekstów
+def answer(tekst_wejsciowy, history):
+  najblizsze_teksty = znajdz_najblizsze_teksty(tekst_wejsciowy, df, client)
+  kontekst = "\n".join(najblizsze_teksty)
+  prompt = f"Kontekst: {kontekst}\n Pytanie: {tekst_wejsciowy}"
+  response = client.chat.completions.create(
+    model="gpt-4-turbo",
+    messages=[
+      {
+      "role": "system",
+      "content": "Jesteś asystentką koordynatorów i koordynatorek dostępności. Odpowiadasz uprzejmie i konkretnie. Czasem możesz poflirtować. Do odpowiedzi wykorzystujesz dostarczony kontekst. Odpowiedź sformatuj w Markdown"
+      },
+      {
+      "role": "user",
+      "content": prompt
+      }
+    ],
+    temperature=0.1,
+    max_tokens=512,
+    top_p=1,
+    frequency_penalty=0,
+    presence_penalty=0)
+  odp = response.choices[0].message.content
+  return(odp)
+
+demo = gr.ChatInterface(
+  fn = answer, 
+  title = "Ally - asystentka koordynatorów dostępności",
+  description= "Ally jest asystentką, która odpowie na pytania dotyczące dostępności. Dużo się nauczyła i wciąż się uczy, ale może jednak popełniać błędy.",
+  clear_btn= None,
+  submit_btn= "Zapytaj",
+  retry_btn=None,
+  undo_btn=None,
+  examples=[
+     "Jestem zupełnie świeżym koordynatorem dostępności i nie wiem, od czego zacząć.",
+     "Za co odpowiada koordynator do spraw dostępności?",
+     "Jakie wymiary powinna mieć kabina windy?",
+     "Co to jest plan wdrażania dostępności?",
+     "Czym jest deklaracja dostępności?"
+  ]
+  ).launch()