Update app.py

app.py

@@ -1,10 +1,10 @@
 import pandas as pd
 import gradio as gr
-from transformers import BertTokenizer, BertForSequenceClassification
-import torch
+from transformers import GPT2Tokenizer, GPT2LMHeadModel
 
-tokenizer = BertTokenizer.from_pretrained('juridics/bertimbaulaw-base-portuguese-sts-scale')
-model = BertForSequenceClassification.from_pretrained('juridics/bertimbaulaw-base-portuguese-sts-scale')
+# Carregando o modelo e o tokenizador do GPT-2
+tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
+model = GPT2LMHeadModel.from_pretrained('gpt2')
 
 # Dados iniciais
 data = {
@@ -15,38 +15,24 @@ data = {
 }
 df = pd.DataFrame(data)
 
+# Função para responder perguntas com GPT-2
+def answer_question_with_gpt(question):
+    # Supondo que você queira incorporar dados do DataFrame na pergunta
+    prompt = f"Considerando os dados: {df.to_string(index=False)}. Pergunta: {question} Resposta:"
+    input_ids = tokenizer.encode(prompt, return_tensors='pt')
+    max_length = len(input_ids[0]) + 50  # Define um limite máximo razoável para o comprimento da resposta
+    generated_ids = model.generate(input_ids, max_length=max_length)
+    generated_text = tokenizer.decode(generated_ids[0], skip_special_tokens=True)
+    return generated_text.split("Resposta:")[1] if "Resposta:" in generated_text else generated_text
+
 # Função para adicionar feedback
 def add_feedback(nome, feedback):
     global df
-    df.loc[df['Nome'] == nome, 'Feedback'] = feedback
-    return df
-
-# Função para obter uma resposta do GPT (substituição para chamada real ao GPT)
-def get_gpt_response(query):
-    # Converte o DataFrame para string CSV
-    csv_data = df.to_csv(index=False)
-    # Cria contexto com feedback
-    context = f"""
-    Aqui estão os dados das pessoas incluindo seus nomes, idades, cidades onde moram e feedback:
-
-    {csv_data}
-    
-    """
-    inputs = tokenizer(query, return_tensors="pt", padding=True, truncation=True)
-    outputs = model(**inputs)
-    prediction = torch.argmax(outputs.logits, dim=1)
-    labels = df.columns
-    predicted_label = labels[prediction]
-    return predicted_label
-
-
-def ask_question(pergunta):
-    resposta = get_gpt_response(pergunta)
-    return resposta
-
-def submit_feedback(nome, feedback):
-    updated_df = add_feedback(nome, feedback)
-    return updated_df
+    if nome in df['Nome'].values:
+        df.loc[df['Nome'] == nome, 'Feedback'] = feedback
+        return "Feedback adicionado com sucesso."
+    else:
+        return "Nome não encontrado no DataFrame."
 
 with gr.Blocks() as demo:
     gr.Markdown("# Sistema de Consulta e Feedback de Dados")
@@ -54,16 +40,16 @@ with gr.Blocks() as demo:
     with gr.Row():
         with gr.Column():
             question_input = gr.Textbox(label="Faça uma Pergunta")
-            response_output = gr.Textbox(label="Resposta do GPT", interactive=False)
+            answer_output = gr.Textbox(label="Resposta", interactive=False)
             ask_button = gr.Button("Perguntar")
 
         with gr.Column():
             name_input = gr.Textbox(label="Nome para Feedback")
             feedback_input = gr.Textbox(label="Feedback")
+            feedback_result = gr.Textbox(label="Resultado do Feedback", interactive=False)
             submit_button = gr.Button("Enviar Feedback")
-            feedback_df = gr.Dataframe(label="DataFrame Atualizado", interactive=False)
-    
-    ask_button.click(fn=ask_question, inputs=question_input, outputs=response_output)
-    submit_button.click(fn=submit_feedback, inputs=[name_input, feedback_input], outputs=feedback_df)
+
+    ask_button.click(fn=answer_question_with_gpt, inputs=question_input, outputs=answer_output)
+    submit_button.click(fn=add_feedback, inputs=[name_input, feedback_input], outputs=feedback_result)
 
 demo.launch()