Create app.py

app.py

@@ -0,0 +1,166 @@
+import gradio as gr
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
+
+# Configuração do modelo local
+def load_model():
+    model_name = "TheBloke/Mistral-7B-Instruct-v0.1-GGUF"
+    model = AutoModelForCausalLM.from_quantized(
+        model_name,
+        model_file="mistral-7b-instruct-v0.1.Q4_K_M.gguf",
+        device="cpu",
+        trust_remote_code=True
+    )
+    tokenizer = AutoTokenizer.from_pretrained(model_name)
+    return pipeline('text-generation', model=model, tokenizer=tokenizer)
+
+# Questões DISC
+perguntas = {
+    'D': [
+        "Eu sou direto e vou direto ao ponto",
+        "Eu gosto de estar no controle",
+        "Eu sou competitivo e gosto de vencer",
+        "Eu tomo decisões rapidamente"
+    ],
+    'I': [
+        "Eu sou extrovertido e sociável",
+        "Eu gosto de conhecer novas pessoas",
+        "Eu sou entusiasta e otimista",
+        "Eu gosto de trabalhar em equipe"
+    ],
+    'S': [
+        "Eu sou paciente e calmo",
+        "Eu prefiro ambientes estáveis",
+        "Eu sou bom ouvinte",
+        "Eu ajudo os outros sempre que posso"
+    ],
+    'C': [
+        "Eu sou detalhista e preciso",
+        "Eu sigo regras e procedimentos",
+        "Eu analiso todas as opções antes de decidir",
+        "Eu gosto de qualidade e excelência"
+    ]
+}
+
+def calcular_disc(respostas):
+    resultados = {'D': 0, 'I': 0, 'S': 0, 'C': 0}
+    
+    for tipo, valor in respostas.items():
+        perfil = tipo[0]
+        resultados[perfil] += valor
+    
+    total = sum(resultados.values())
+    for perfil in resultados:
+        resultados[perfil] = (resultados[perfil] / total) * 100
+    
+    return resultados
+
+def criar_grafico(resultados):
+    plt.figure(figsize=(10, 6))
+    sns.barplot(x=list(resultados.keys()), y=list(resultados.values()))
+    plt.title('Seu Perfil DISC')
+    plt.xlabel('Dimensões')
+    plt.ylabel('Porcentagem')
+    
+    for i, v in enumerate(resultados.values()):
+        plt.text(i, v, f'{v:.1f}%', ha='center', va='bottom')
+    
+    return plt
+
+def gerar_analise_llm(pipe, resultados, respostas_brutas):
+    # Prepara o prompt para o LLM
+    prompt = f"""<s>[INST] Como um especialista em análise comportamental DISC, faça uma análise detalhada do seguinte perfil:
+
+Resultados percentuais:
+Dominância (D): {resultados['D']:.1f}%
+Influência (I): {resultados['I']:.1f}%
+Estabilidade (S): {resultados['S']:.1f}%
+Conformidade (C): {resultados['C']:.1f}%
+
+Respostas com pontuações mais altas:
+"""
+
+    # Adiciona respostas com pontuações altas ao prompt
+    for tipo, valor in respostas_brutas.items():
+        if valor >= 4:
+            dimensao = tipo[0]
+            num_questao = int(tipo[1]) - 1
+            questao = perguntas[dimensao][num_questao]
+            prompt += f"- Pontuação {valor}/5 para: {questao}\n"
+
+    prompt += """
+Forneça:
+1. Análise geral do perfil
+2. Pontos fortes e áreas de desenvolvimento
+3. Sugestões de desenvolvimento profissional
+4. Como este perfil pode interagir melhor com outros perfis
+5. Ambientes de trabalho mais adequados
+[/INST]"""
+
+    # Gera a análise usando o modelo local
+    resposta = pipe(
+        prompt,
+        max_new_tokens=1024,
+        temperature=0.7,
+        top_p=0.95,
+        repetition_penalty=1.15
+    )[0]['generated_text']
+    
+    # Remove o prompt da resposta
+    analise = resposta.split("[/INST]")[1].strip()
+    
+    return analise
+
+class DiscAnalyzer:
+    def __init__(self):
+        self.pipe = load_model()
+    
+    def avaliar_disc(self, values):
+        # Converte os valores do slider para um dicionário
+        respostas = {}
+        for i, (tipo, perguntas_tipo) in enumerate(perguntas.items()):
+            for j, pergunta in enumerate(perguntas_tipo):
+                respostas[f"{tipo}{j+1}"] = values[i*4 + j]
+        
+        # Calcula os resultados
+        resultados = calcular_disc(respostas)
+        
+        # Cria o gráfico
+        fig = criar_grafico(resultados)
+        
+        # Gera a análise detalhada
+        analise = gerar_analise_llm(self.pipe, resultados, respostas)
+        
+        return fig, analise
+
+# Interface Gradio
+analyzer = DiscAnalyzer()
+
+with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
+    gr.Markdown("# Avaliação de Perfil DISC com Análise Avançada")
+    gr.Markdown("### Avalie cada afirmação em uma escala de 1 a 5")
+    
+    sliders = []
+    for tipo, perguntas_tipo in perguntas.items():
+        with gr.Group():
+            gr.Markdown(f"## Dimensão {tipo}")
+            for pergunta in perguntas_tipo:
+                sliders.append(gr.Slider(1, 5, value=3, label=pergunta))
+    
+    btn = gr.Button("Avaliar Perfil")
+    
+    with gr.Row():
+        plot = gr.Plot()
+    
+    analise = gr.Markdown(label="Análise Detalhada do Perfil")
+    
+    btn.click(
+        fn=analyzer.avaliar_disc,
+        inputs=sliders,
+        outputs=[plot, analise]
+    )
+
+if __name__ == "__main__":
+    app.launch()