Update app.py

app.py

@@ -9,36 +9,28 @@ from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
 from langchain.memory import ConversationBufferMemory
 
 # Configuración del modelo de lenguaje
-MODEL_NAME = "mistralai/Mistral-7B-Instruct-v0.3"
+MODEL_NAME = "google/gemma-2b"  # Modelo más pequeño y eficiente
 device = "cuda" if torch.cuda.is_available() else "cpu"
-HF_TOKEN = os.getenv("HF_TOKEN")  # Obtiene el token de la variable de entorno
+HF_TOKEN = os.getenv("HF_TOKEN")  # Token de Hugging Face
 
-# Verificación de token
 if not HF_TOKEN:
     raise ValueError("❌ ERROR: No se encontró HF_TOKEN. Asegúrate de definirlo en las variables de entorno.")
 
 print("🔄 Cargando modelo de lenguaje...")
 tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, token=HF_TOKEN)
-bnb_config = BitsAndBytesConfig(load_in_8bit=True)  # Cargar en 8-bit para reducir memoria
+bnb_config = BitsAndBytesConfig(load_in_8bit=True)
 
 model = AutoModelForCausalLM.from_pretrained(
     MODEL_NAME,
-    torch_dtype=torch.float16,  # Usa menos RAM que float32
-    low_cpu_mem_usage=True,  # Reduce uso de memoria en CPU
-    device_map={"": "cpu"},
+    torch_dtype=torch.float16, 
+    quantization_config=bnb_config,  
+    device_map="auto",
     token=HF_TOKEN
 )
 
 # Memoria conversacional
 memory = ConversationBufferMemory()
 
-# Cargar modelo de la colmena
-modelo_path = "modelo_colmena.pkl"
-if os.path.exists(modelo_path):
-    modelo_colmena = joblib.load(modelo_path)
-else:
-    modelo_colmena = None
-
 # API de Node-RED
 NODE_RED_URL = "https://appairedecolmena.es/colmena1/datos"
 USERNAME = "user"
@@ -58,67 +50,65 @@ def obtener_datos_colmena():
     except Exception as e:
         return {"error": str(e)}
 
-def filtrar_datos_por_pregunta(mensaje, datos):
-    """Filtra los datos de la colmena según la pregunta del usuario."""
-    if "temperatura" in mensaje:
-        return f"🌡 Temperatura interior: {datos['temperaturaInterior']}°C, exterior: {datos['temperatura_exterior']}°C."
-    elif "humedad" in mensaje:
-        return f"💧 Humedad interior: {datos['humedadInterior']}%, exterior: {datos['humedad_exterior']}%."
-    elif "co2" in mensaje:
-        return f"🌿 CO2: {datos['co2']} ppm."
-    elif "ventilador" in mensaje:
-        estado = "ENCENDIDO" if int(datos['ver_ventilador']) == 1 else "APAGADO"
-        return f"🔄 Ventilador: {estado}."
-    elif "calefactor" in mensaje:
-        estado = "ENCENDIDO" if int(datos['ver_calefactor']) == 1 else "APAGADO"
-        return f"🔥 Calefactor: {estado}."
-    elif "ultrasonido" in mensaje:
-        estado = "ENCENDIDO" if int(datos['ver_ultrasonido']) == 1 else "APAGADO"
-        return f"🔊 Ultrasonido: {estado}."
-    else:
-        return "🤖 No entiendo la pregunta. Pregunta sobre temperatura, humedad, CO2, ventilador, calefactor o ultrasonido."
+def generar_recomendacion(datos):
+    """Genera recomendaciones basadas en el estado de la colmena."""
+    recomendaciones = []
+
+    if datos.get("temperaturaInterior") > 35:
+        recomendaciones.append("🌡 La temperatura interior es alta. Podrías mejorar la ventilación para evitar el sobrecalentamiento de la colmena.")
+    elif datos.get("temperaturaInterior") < 20:
+        recomendaciones.append("❄ La temperatura interior es baja. Asegúrate de que la calefacción funcione correctamente para evitar estrés en las abejas.")
+
+    if datos.get("humedadInterior") > 80:
+        recomendaciones.append("💧 La humedad es alta. Esto puede favorecer hongos y enfermedades. Asegúrate de que la ventilación sea adecuada.")
+    elif datos.get("humedadInterior") < 40:
+        recomendaciones.append("🔥 La humedad es baja. Las abejas necesitan un nivel de humedad adecuado para la crianza, podrías aumentar la humedad si es necesario.")
+
+    if datos.get("co2") > 1000:
+        recomendaciones.append("🌿 El nivel de CO₂ es alto. Esto puede indicar problemas de ventilación. Verifica que el sistema de ventilación esté activo.")
+
+    if not recomendaciones:
+        recomendaciones.append("✅ Todo parece estar en orden. Sigue monitoreando regularmente para asegurar el bienestar de la colmena.")
+
+    return "\n".join(recomendaciones)
 
 def conversar_con_colmena(mensaje):
-    """Genera una respuesta combinando el modelo de lenguaje con los datos de la colmena."""
+    """Genera una respuesta combinando el modelo de lenguaje con recomendaciones sobre la colmena."""
     datos = obtener_datos_colmena()
     if "error" in datos:
         return datos["error"]
     
-    datos_relevantes = filtrar_datos_por_pregunta(mensaje.lower(), datos)
+    datos_relevantes = generar_recomendacion(datos)
     
     contexto = f"Datos actuales de la colmena: {datos_relevantes}\nUsuario: {mensaje}\nColmena:"
     inputs = tokenizer(contexto, return_tensors="pt").to(device)
 
-    print(f"🔄 Enviando entrada al modelo: {contexto}")  # 👈 Agrega este print para ver el contexto en consola
+    print(f"🔄 Enviando entrada al modelo: {contexto}")  
     
     with torch.no_grad():
         output = model.generate(
             **inputs,
-            max_length=150,  # Reduce el tamaño máximo para evitar que se quede colgado
-            do_sample=True,   # Sampling activado para más variabilidad
-            top_k=50,         # Controla la aleatoriedad para evitar salidas vacías
-            temperature=0.7,  # Ajusta la creatividad de la respuesta
-            pad_token_id=tokenizer.eos_token_id  # Evita errores de padding
+            max_length=100,  
+            do_sample=True,
+            top_k=50,
+            temperature=0.7,
+            pad_token_id=tokenizer.eos_token_id
         )
 
-    # Decodificar la salida del modelo
     respuesta = tokenizer.decode(output[0], skip_special_tokens=True).strip()
+    print(f"✅ Respuesta generada por la IA: '{respuesta}'")
 
-    # Imprimir la respuesta generada para depuración
-    print(f"✅ Respuesta generada por la IA: '{respuesta}'")  # 👈 Para ver si está vacío
-
-    # Manejo de respuestas vacías
     if not respuesta:
         return "🤖 No pude generar una respuesta. Inténtalo de nuevo con otra pregunta."
 
-    return respuesta  # ✅ SOLUCIÓN 1 IMPLEMENTADA (Se retorna la respuesta)
+    return f"{datos_relevantes}\n\n🤖 Respuesta de la IA: {respuesta}"
 
 iface = gr.Interface(
     fn=conversar_con_colmena,
     inputs="text",
     outputs="text",
     title="🐝 Chat con la Colmena",
-    description="Habla con la colmena en tiempo real sobre su estado."
+    description="Consulta el estado de la colmena y recibe recomendaciones."
 )
 
 iface.launch()