File size: 4,337 Bytes
fcc1cf1 d10af90 0c25bec fcc1cf1 d10af90 b33c70a 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 fcc1cf1 d10af90 0c25bec d10af90 0c25bec d10af90 0c25bec d10af90 fcc1cf1 d10af90 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 |
import gradio as gr
import numpy as np
from transformers import pipeline
class DiscAnalyzer:
def __init__(self):
self.disc_profiles = {
'D': 'Dominance',
'I': 'Influence',
'S': 'Steadiness',
'C': 'Compliance'
}
# Usando um modelo mais leve e otimizado para texto
self.generator = pipeline(
"text-generation",
model="facebook/opt-125m", # Modelo muito mais leve que o BLOOM
device="cpu" # Forçando CPU para evitar problemas de CUDA
)
def generate_llm_report(self, scores, perfil_principal):
"""
Gera relatório personalizado usando modelo mais leve.
"""
prompt = f"""Analise o perfil DISC:
D:{scores['D']:.1f}% I:{scores['I']:.1f}% S:{scores['S']:.1f}% C:{scores['C']:.1f}%
Perfil Principal: {self.disc_profiles[perfil_principal]}
"""
try:
# Configurações otimizadas para geração mais rápida
output = self.generator(
prompt,
max_length=300, # Reduzido para resposta mais concisa
num_return_sequences=1,
temperature=0.7,
top_p=0.9,
do_sample=True
)
return output[0]['generated_text'].replace(prompt, "").strip()
except Exception as e:
return f"Erro ao gerar relatório: {str(e)}"
def avaliar_disc(self, *args):
"""
Versão otimizada da avaliação DISC.
"""
# Converter todos os inputs para números de uma vez
responses = [int(arg) for arg in args]
# Cálculo otimizado dos scores
scores = {
'D': sum(responses[i] for i in [0, 4, 8, 12]) / 16 * 100,
'I': sum(responses[i] for i in [1, 5, 9, 13]) / 16 * 100,
'S': sum(responses[i] for i in [2, 6, 10, 14]) / 16 * 100,
'C': sum(responses[i] for i in [3, 7, 11, 15]) / 16 * 100
}
perfil_principal = max(scores, key=scores.get)
relatorio_llm = self.generate_llm_report(scores, perfil_principal)
return (
f"Seu perfil principal é {self.disc_profiles[perfil_principal]} ({perfil_principal})",
relatorio_llm,
{
"Dimensão": list(scores.keys()),
"Score": list(scores.values())
}
)
def create_disc_interface():
analyzer = DiscAnalyzer()
with gr.Blocks(title="Análise de Perfil DISC") as interface:
gr.Markdown("# Analisador de Perfil DISC com IA")
gr.Markdown("Responda cada questão com valores de 1 a 4")
# Criação otimizada das questões
questions = [
"1. Sou direto e decisivo", "2. Sou sociável e entusiasta",
"3. Sou paciente e cooperativo", "4. Sou preciso e analítico",
"5. Gosto de assumir riscos", "6. Sou bom comunicador",
"7. Sou bom ouvinte", "8. Sou organizado",
"9. Tomo iniciativa", "10. Sou persuasivo",
"11. Trabalho bem em equipe", "12. Sou detalhista",
"13. Busco resultados", "14. Sou motivador",
"15. Sou confiável", "16. Sou sistemático"
]
# Criando sliders em grupos de 4
sliders = []
for i in range(0, 16, 4):
with gr.Row():
with gr.Column():
for j in range(4):
sliders.append(gr.Slider(1, 4, value=2, step=1, label=questions[i+j]))
analyze_btn = gr.Button("Analisar Perfil")
with gr.Row():
perfil_output = gr.Textbox(label="Perfil Principal")
relatorio_output = gr.Markdown(label="Relatório Detalhado")
plot_output = gr.BarPlot(
x="Dimensão",
y="Score",
title="Scores DISC",
height=400,
width=600
)
analyze_btn.click(
fn=analyzer.avaliar_disc,
inputs=sliders,
outputs=[perfil_output, relatorio_output, plot_output]
)
return interface
if __name__ == "__main__":
interface = create_disc_interface()
interface.launch(
server_name="0.0.0.0",
server_port=7860,
share=True
) |