Upload 4 files

README.md

@@ -1,13 +1,24 @@
----
-title: E P
-emoji: 🐨
-colorFrom: pink
-colorTo: indigo
-sdk: streamlit
-sdk_version: 1.43.2
-app_file: app.py
-pinned: false
-short_description: Chatbot Orientation scolaire
----
-
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+
+# Chatbot d'Orientation Scolaire (RAG + Mistral)
+
+Ce projet est un chatbot basé sur le modèle open-source Mistral 7B, utilisant un index FAISS pour récupérer les documents pertinents à partir d'une base de données, et générer des réponses contextualisées.
+
+## Lancer l'application
+
+1. Installe les dépendances :
+
+```
+pip install -r requirements.txt
+```
+
+2. Lance l'application Streamlit :
+
+```
+streamlit run app.py
+```
+
+## Structure
+
+- `app.py` : interface utilisateur
+- `rag_utils.py` : logique RAG
+- `faiss_index/` : index FAISS + documents associés

app.py

@@ -0,0 +1,17 @@
+
+import streamlit as st
+from rag_utils import load_faiss_index, get_embedding_model, query_index, generate_answer
+
+st.title("🎓 Edu Pilot")
+
+index, documents = load_faiss_index()
+model_embed = get_embedding_model()
+
+user_input = st.text_input("Pose ta question ici :")
+
+if user_input:
+    top_docs = query_index(user_input, index, documents, model_embed)
+    context = "\n".join(top_docs)
+    response = generate_answer(user_input, context)
+    st.markdown("### ✨ Réponse du chatbot :")
+    st.write(response)

rag_utils.py

@@ -0,0 +1,31 @@
+
+import faiss
+import pickle
+from sentence_transformers import SentenceTransformer
+from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline
+import torch
+import numpy as np
+
+def load_faiss_index(index_path="faiss_index/faiss_index.faiss", doc_path="faiss_index/documents.pkl"):
+    index = faiss.read_index(index_path)
+    with open(doc_path, "rb") as f:
+        documents = pickle.load(f)
+    return index, documents
+
+def get_embedding_model():
+    return SentenceTransformer("all-MiniLM-L6-v2")
+
+def query_index(question, index, documents, model, k=3):
+    question_embedding = model.encode([question])
+    _, indices = index.search(np.array(question_embedding).astype("float32"), k)
+    results = [documents[i] for i in indices[0]]
+    return results
+
+def generate_answer(question, context):
+    model_id = "mistralai/Mistral-7B-Instruct-v0.1"
+    tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
+    model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", torch_dtype=torch.float16)
+    prompt = f"Voici un contexte :\n{context}\n\nQuestion : {question}\nRéponse :"
+    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
+    outputs = model.generate(**inputs, max_new_tokens=256)
+    return tokenizer.decode(outputs[0], skip_special_tokens=True)

requirements.txt

@@ -1,5 +1,6 @@
+
 streamlit
 faiss-cpu
 sentence-transformers
-unsloth
-torch
+transformers
+torch