File size: 5,007 Bytes
fcc1cf1 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 |
import gradio as gr
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
# Configuração do modelo local
def load_model():
model_name = "TheBloke/Mistral-7B-Instruct-v0.1-GGUF"
model = AutoModelForCausalLM.from_quantized(
model_name,
model_file="mistral-7b-instruct-v0.1.Q4_K_M.gguf",
device="cpu",
trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
return pipeline('text-generation', model=model, tokenizer=tokenizer)
# Questões DISC
perguntas = {
'D': [
"Eu sou direto e vou direto ao ponto",
"Eu gosto de estar no controle",
"Eu sou competitivo e gosto de vencer",
"Eu tomo decisões rapidamente"
],
'I': [
"Eu sou extrovertido e sociável",
"Eu gosto de conhecer novas pessoas",
"Eu sou entusiasta e otimista",
"Eu gosto de trabalhar em equipe"
],
'S': [
"Eu sou paciente e calmo",
"Eu prefiro ambientes estáveis",
"Eu sou bom ouvinte",
"Eu ajudo os outros sempre que posso"
],
'C': [
"Eu sou detalhista e preciso",
"Eu sigo regras e procedimentos",
"Eu analiso todas as opções antes de decidir",
"Eu gosto de qualidade e excelência"
]
}
def calcular_disc(respostas):
resultados = {'D': 0, 'I': 0, 'S': 0, 'C': 0}
for tipo, valor in respostas.items():
perfil = tipo[0]
resultados[perfil] += valor
total = sum(resultados.values())
for perfil in resultados:
resultados[perfil] = (resultados[perfil] / total) * 100
return resultados
def criar_grafico(resultados):
plt.figure(figsize=(10, 6))
sns.barplot(x=list(resultados.keys()), y=list(resultados.values()))
plt.title('Seu Perfil DISC')
plt.xlabel('Dimensões')
plt.ylabel('Porcentagem')
for i, v in enumerate(resultados.values()):
plt.text(i, v, f'{v:.1f}%', ha='center', va='bottom')
return plt
def gerar_analise_llm(pipe, resultados, respostas_brutas):
# Prepara o prompt para o LLM
prompt = f"""<s>[INST] Como um especialista em análise comportamental DISC, faça uma análise detalhada do seguinte perfil:
Resultados percentuais:
Dominância (D): {resultados['D']:.1f}%
Influência (I): {resultados['I']:.1f}%
Estabilidade (S): {resultados['S']:.1f}%
Conformidade (C): {resultados['C']:.1f}%
Respostas com pontuações mais altas:
"""
# Adiciona respostas com pontuações altas ao prompt
for tipo, valor in respostas_brutas.items():
if valor >= 4:
dimensao = tipo[0]
num_questao = int(tipo[1]) - 1
questao = perguntas[dimensao][num_questao]
prompt += f"- Pontuação {valor}/5 para: {questao}\n"
prompt += """
Forneça:
1. Análise geral do perfil
2. Pontos fortes e áreas de desenvolvimento
3. Sugestões de desenvolvimento profissional
4. Como este perfil pode interagir melhor com outros perfis
5. Ambientes de trabalho mais adequados
[/INST]"""
# Gera a análise usando o modelo local
resposta = pipe(
prompt,
max_new_tokens=1024,
temperature=0.7,
top_p=0.95,
repetition_penalty=1.15
)[0]['generated_text']
# Remove o prompt da resposta
analise = resposta.split("[/INST]")[1].strip()
return analise
class DiscAnalyzer:
def __init__(self):
self.pipe = load_model()
def avaliar_disc(self, values):
# Converte os valores do slider para um dicionário
respostas = {}
for i, (tipo, perguntas_tipo) in enumerate(perguntas.items()):
for j, pergunta in enumerate(perguntas_tipo):
respostas[f"{tipo}{j+1}"] = values[i*4 + j]
# Calcula os resultados
resultados = calcular_disc(respostas)
# Cria o gráfico
fig = criar_grafico(resultados)
# Gera a análise detalhada
analise = gerar_analise_llm(self.pipe, resultados, respostas)
return fig, analise
# Interface Gradio
analyzer = DiscAnalyzer()
with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
gr.Markdown("# Avaliação de Perfil DISC com Análise Avançada")
gr.Markdown("### Avalie cada afirmação em uma escala de 1 a 5")
sliders = []
for tipo, perguntas_tipo in perguntas.items():
with gr.Group():
gr.Markdown(f"## Dimensão {tipo}")
for pergunta in perguntas_tipo:
sliders.append(gr.Slider(1, 5, value=3, label=pergunta))
btn = gr.Button("Avaliar Perfil")
with gr.Row():
plot = gr.Plot()
analise = gr.Markdown(label="Análise Detalhada do Perfil")
btn.click(
fn=analyzer.avaliar_disc,
inputs=sliders,
outputs=[plot, analise]
)
if __name__ == "__main__":
app.launch() |