app.py

 import gradio as gr
import base64
import vertexai
from vertexai.generative_models import GenerativeModel, Part, SafetySetting
import os

# Configuración del modelo y parámetros globales
generation_config = {
    "max_output_tokens": 8192,
    "temperature": 0,
    "top_p": 0.75,
}

safety_settings = [
    SafetySetting(
        category=SafetySetting.HarmCategory.HARM_CATEGORY_HATE_SPEECH,
        threshold=SafetySetting.HarmBlockThreshold.OFF
    ),
    SafetySetting(
        category=SafetySetting.HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT,
        threshold=SafetySetting.HarmBlockThreshold.OFF
    ),
    SafetySetting(
        category=SafetySetting.HarmCategory.HARM_CATEGORY_SEXUALLY_EXPLICIT,
        threshold=SafetySetting.HarmBlockThreshold.OFF
    ),
    SafetySetting(
        category=SafetySetting.HarmCategory.HARM_CATEGORY_HARASSMENT,
        threshold=SafetySetting.HarmBlockThreshold.OFF
    ),
]

def configurar_credenciales(json_path):
    """Configura las credenciales de Google Cloud usando un archivo JSON."""
    os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = json_path

def revisar_examen(json_path, pdf_docente, pdf_alumno):
    """Función principal para comparar los PDFs del docente y del alumno."""
    try:
        # Configurar las credenciales
        configurar_credenciales(json_path)

        # Inicializar Vertex AI
        vertexai.init(project="deploygpt", location="us-central1")

        # Leer los datos de los PDFs desde la ruta proporcionada por Gradio
        with open(pdf_docente.name, "rb") as docente_file:
            docente_data = docente_file.read()
        
        with open(pdf_alumno.name, "rb") as alumno_file:
            alumno_data = alumno_file.read()

        # Codificar los datos de los PDFs a base64
        document1 = Part.from_data(
            mime_type="application/pdf",
            data=base64.b64encode(docente_data).decode("utf-8"),
        )

        document2 = Part.from_data(
            mime_type="application/pdf",
            data=base64.b64encode(alumno_data).decode("utf-8"),
        )

        # Configuración del texto de instrucciones
        text1 = """Información del examen
        Materia: bioquimica nutricion normal
        Grado/Nivel: universidad
        Tema: Metabolismo de lipidos
        Formato del examen: \\\"Preguntas de desarrollo\\\"
        Instrucciones para el asistente
        Adjunta los archivos PDF:integracion
        PDF del alumno: alumno
        Solicita la revisión: \\\"Por favor, compara las respuestas del alumno en el PDF adjunto con las preguntas y respuestas del PDF del docente. Evalúa cada respuesta como 'Correcta', 'Incorrecta', 'Incompleta' o 'Vacía'. Considera que el alumno solo respondió a un subconjunto de las preguntas del examen. Para cada pregunta, indica si fue 'Asignada' o 'No asignada' al alumno. Proporciona retroalimentación detallada para cada respuesta de las preguntas asignadas, incluyendo la explicación de errores, la respuesta correcta (del PDF del docente) y sugerencias de temas para reforzar. Al final, ofrece una retroalimentación general sobre el desempeño del alumno y calcula el porcentaje de precisión, basándote solo en las preguntas que le fueron asignadas.\\\""""

        textsi_1 = """Rol: Actúa como un asistente de docente experto en la materia del examen de Bioquimica.
        Objetivo: Tu tarea principal es analizar las respuestas del alumno a las preguntas del examen, comparándolas con la clave de respuestas y criterios de evaluación proporcionados en el PDF del docente. Debes identificar las respuestas correctas, incorrectas, incompletas y vacías, tomando en cuenta que el alumno pudo haber recibido un subconjunto aleatorio de las preguntas del examen. Proporciona retroalimentación detallada sobre los errores, áreas de mejora y temas que el alumno necesita reforzar. Además, debes calcular y mostrar el porcentaje de precisión del alumno en el examen, considerando solo las preguntas que le fueron asignadas."""

        # Configurar el modelo
        model = GenerativeModel(
            "gemini-1.5-pro-001",  # Cambiar a Gemini-2
            system_instruction=[textsi_1]
        )

        # Generar la revisión
        response = model.generate_content(
            [document1, document2, text1],
            generation_config=generation_config,
            safety_settings=safety_settings,
            stream=False,
        )

        # Acceder al texto de la respuesta
        feedback = response.text

        return feedback

    except Exception as e:
        return f"Error al procesar: {str(e)}"

# Crear la interfaz con Gradio
interface = gr.Interface(
    fn=revisar_examen,
    inputs=[
        gr.File(label="Archivo de Credenciales JSON"),
        gr.File(label="PDF del Docente (Preguntas y Respuestas)"),
        gr.File(label="PDF del Alumno (Respuestas)")
    ],
    outputs=gr.Textbox(label="Retroalimentación del Examen"),
    title="Revisión Automática de Exámenes",
    description="Sube el archivo de credenciales JSON de Google Cloud, el PDF del docente y el PDF del alumno para recibir una evaluación detallada."
)

# Lanzar la interfaz
interface.launch(debug=True)