RAG_Mistral.py

# -*- coding: utf-8 -*-
"""

Created on Mon Feb 24 15:51:34 2025



@author: MIPO10053340



C:/Users/MIPO10053340/OneDrive - Groupe Avril/Bureau/Salon_Agriculture_2024/Micka_API_Call/Docs_pdf/Docs_pdf/



"""

# -*- coding: utf-8 -*-
"""

Optimisation du RAG avec MistralAI - Embeddings en batch

"""
import os
import numpy as np
import fitz  # PyMuPDF pour extraction PDF
import faiss
import pickle
import matplotlib.pyplot as plt
from mistralai import Mistral
from sklearn.manifold import TSNE
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from dotenv import load_dotenv

# Charger les variables d'environnement
load_dotenv()
MISTRAL_API_KEY = os.getenv('MISTRAL_API_KEY_static')

# 📌 Initialisation du client Mistral
client = Mistral(api_key=MISTRAL_API_KEY)
model_embedding = "mistral-embed"
model_chat = "ministral-8b-latest"
temperature = 0.1  # Réduction de la température pour privilégier la RAG
probability = 0.9  # Ajustement de la probabilité pour plus de contrôle

# 📌 Paramètres de segmentation
chunk_size = 256  # Réduction du chunk size pour un meilleur contrôle du contexte
chunk_overlap = 15

# 📌 Définition des chemins de stockage
index_path = "faiss_index.bin"
chunks_path = "chunked_docs.pkl"

# 📌 Vérification et chargement des données
if os.path.exists(index_path) and os.path.exists(chunks_path):
    print("🔄 Chargement des données existantes...")
    index = faiss.read_index(index_path)  # Charger l'index FAISS
    with open(chunks_path, "rb") as f:
        chunked_docs = pickle.load(f)  # Charger les chunks de texte
    print("✅ Index et chunks chargés avec succès !")
else:
    print("⚡ Création et stockage d'un nouvel index FAISS...")
    
    # 📌 Extraction et segmentation des PDF
    pdf_folder = 'C:/Users/MIPO10053340/OneDrive - Groupe Avril/Bureau/Salon_Agriculture_2024/Micka_API_Call/Docs_pdf/'
    chunked_docs = SimpleDirectoryReader(pdf_folder).load_data()
    chunked_docs = [doc.text for doc in chunked_docs]
    
    # 📌 Génération des embeddings
    embeddings = []
    batch_size = 5
    for i in range(0, len(chunked_docs), batch_size):
        batch = chunked_docs[i:i + batch_size]
        embeddings_batch_response = client.embeddings.create(
            model=model_embedding,
            inputs=batch,
        )
        batch_embeddings = [data.embedding for data in embeddings_batch_response.data]
        embeddings.extend(batch_embeddings)
    embeddings = np.array(embeddings).astype('float32')
    
    # 📌 Vérification avant d’indexer dans FAISS
    if embeddings is None or len(embeddings) == 0:
        raise ValueError("⚠️ ERREUR : Aucun embedding généré ! Vérifie l'étape de génération des embeddings.")

    # 📌 Création et stockage de l'index FAISS
    dimension = embeddings.shape[1]
    index = faiss.IndexFlatL2(dimension)
    index.add(embeddings)
    faiss.write_index(index, index_path)  # Sauvegarde de l'index
    
    # 📌 Sauvegarde des chunks de texte
    with open(chunks_path, "wb") as f:
        pickle.dump(chunked_docs, f)
    print("✅ Index et chunks sauvegardés !")

# 📌 Récupération des chunks les plus pertinents
def retrieve_relevant_chunks(question, k=5):
    """Recherche les chunks les plus pertinents en fonction de la similarité des embeddings."""
    question_embedding_response = client.embeddings.create(
        model=model_embedding,
        inputs=[question],
    )
    question_embedding = np.array(question_embedding_response.data[0].embedding).astype('float32').reshape(1, -1)

    # Vérification de la compatibilité des dimensions
    dimension = index.d
    if question_embedding.shape[1] != dimension:
        raise ValueError(f"⚠️ ERREUR : La dimension de l'embedding de la question ({question_embedding.shape[1]}) ne correspond pas aux embeddings indexés ({dimension}).")

    distances, indices = index.search(question_embedding, k)
    
    if len(indices[0]) == 0:
        print("⚠️ Avertissement : Aucun chunk pertinent trouvé, réponse possible moins précise.")
        return []
    
    return [chunked_docs[i] for i in indices[0]]

# 📌 Génération de réponse avec MistralAI
def generate_response(context, question):
    """Génère une réponse basée sur le contexte extrait du corpus avec une basse température et un contrôle de probabilité."""
    messages = [
        {"role": "system", "content": f"Voici des informations contextuelles à utiliser avec priorité : {context}"},
        {"role": "user", "content": question}
    ]
    
    response = client.chat.complete(model=model_chat, messages=messages, temperature=temperature)
    return response.choices[0].message.content

# 📌 Exécuter une requête utilisateur
user_question = "Bonjour le Chat, je suis éléveur de poulets depuis plus de 20 ans et j'ai un doctorat de nutrition animale.Qu’est-ce qu’une protéine idéale en poule pondeuse ? Peux-tu suggérer une protéine idéale en pondeuse ? Merci d'être exhaustif et d'approfondir tes réponses et de ne pas survoler le sujet"
relevant_chunks = retrieve_relevant_chunks(user_question)
context = "\n".join(relevant_chunks)
answer = generate_response(context, user_question)

# 📊 Affichage de la réponse
print("\n🔹 Réponse Mistral :")
print(answer)

# 💾 Sauvegarde des résultats
with open("mistral_response_types.txt", "w", encoding="utf-8") as f:
    f.write(f"Question : {user_question}\n")
    f.write(f"Réponse :\n{answer}\n")

print("\n✅ Réponse enregistrée dans 'mistral_response_types.txt'")