Update app.py

app.py

@@ -1,7 +1,6 @@
 import gradio as gr
 import numpy as np
-from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
-import torch
+from transformers import pipeline
 
 class DiscAnalyzer:
     def __init__(self):
@@ -12,40 +11,27 @@ class DiscAnalyzer:
             'C': 'Compliance'
         }
         
-        # Inicializar modelo do Hugging Face
-        # Usando BLOOM-560M que tem bom suporte para português
-        self.tokenizer = AutoTokenizer.from_pretrained("bigscience/bloom-560m")
-        self.model = AutoModelForCausalLM.from_pretrained("bigscience/bloom-560m")
+        # Usando um modelo mais leve e otimizado para texto
         self.generator = pipeline(
             "text-generation",
-            model=self.model,
-            tokenizer=self.tokenizer,
-            device=0 if torch.cuda.is_available() else -1
+            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 do Hugging Face baseado nos scores DISC.
-        """
-        prompt = f"""
-        Analise o seguinte perfil DISC e gere um relatório detalhado:
-        
-        Perfil DISC:
-        - Dominância: {scores['D']:.1f}%
-        - Influência: {scores['I']:.1f}%
-        - Estabilidade: {scores['S']:.1f}%
-        - Conformidade: {scores['C']:.1f}%
-        
-        Perfil Principal: {self.disc_profiles[perfil_principal]}
-
-        Relatório do Perfil:
+        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:
-            # Gerar relatório
+            # Configurações otimizadas para geração mais rápida
             output = self.generator(
                 prompt,
-                max_length=1000,
+                max_length=300,  # Reduzido para resposta mais concisa
                 num_return_sequences=1,
                 temperature=0.7,
                 top_p=0.9,
@@ -57,38 +43,22 @@ class DiscAnalyzer:
         except Exception as e:
             return f"Erro ao gerar relatório: {str(e)}"
 
-    def avaliar_disc(self, 
-                    q1, q2, q3, q4,
-                    q5, q6, q7, q8,
-                    q9, q10, q11, q12,
-                    q13, q14, q15, q16):
+    def avaliar_disc(self, *args):
         """
-        Avalia o perfil DISC baseado nas respostas do questionário.
+        Versão otimizada da avaliação DISC.
         """
-        # Converter inputs para números
-        responses = [
-            int(q1), int(q2), int(q3), int(q4),
-            int(q5), int(q6), int(q7), int(q8),
-            int(q9), int(q10), int(q11), int(q12),
-            int(q13), int(q14), int(q15), int(q16)
-        ]
-
-        # Calcular scores para cada dimensão DISC
-        d_score = sum([responses[i] for i in [0, 4, 8, 12]]) / 16 * 100
-        i_score = sum([responses[i] for i in [1, 5, 9, 13]]) / 16 * 100
-        s_score = sum([responses[i] for i in [2, 6, 10, 14]]) / 16 * 100
-        c_score = sum([responses[i] for i in [3, 7, 11, 15]]) / 16 * 100
+        # Converter todos os inputs para números de uma vez
+        responses = [int(arg) for arg in args]
 
-        # Encontrar o perfil dominante
+        # Cálculo otimizado dos scores
         scores = {
-            'D': d_score,
-            'I': i_score,
-            'S': s_score,
-            'C': c_score
+            '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)
         
-        # Gerar relatório LLM
+        perfil_principal = max(scores, key=scores.get)
         relatorio_llm = self.generate_llm_report(scores, perfil_principal)
 
         return (
@@ -101,45 +71,31 @@ class DiscAnalyzer:
         )
 
 def create_disc_interface():
-    """
-    Cria a interface Gradio para o analisador DISC.
-    """
     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, onde:
-        - 1 = Discordo totalmente
-        - 2 = Discordo parcialmente
-        - 3 = Concordo parcialmente
-        - 4 = Concordo totalmente
-        """)
-
-        with gr.Row():
-            with gr.Column():
-                q1 = gr.Slider(1, 4, value=2, step=1, label="1. Sou direto e decisivo")
-                q2 = gr.Slider(1, 4, value=2, step=1, label="2. Sou sociável e entusiasta")
-                q3 = gr.Slider(1, 4, value=2, step=1, label="3. Sou paciente e cooperativo")
-                q4 = gr.Slider(1, 4, value=2, step=1, label="4. Sou preciso e analítico")
-            
-            with gr.Column():
-                q5 = gr.Slider(1, 4, value=2, step=1, label="5. Gosto de assumir riscos")
-                q6 = gr.Slider(1, 4, value=2, step=1, label="6. Sou bom comunicador")
-                q7 = gr.Slider(1, 4, value=2, step=1, label="7. Sou bom ouvinte")
-                q8 = gr.Slider(1, 4, value=2, step=1, label="8. Sou organizado")
-
-            with gr.Column():
-                q9 = gr.Slider(1, 4, value=2, step=1, label="9. Tomo iniciativa")
-                q10 = gr.Slider(1, 4, value=2, step=1, label="10. Sou persuasivo")
-                q11 = gr.Slider(1, 4, value=2, step=1, label="11. Trabalho bem em equipe")
-                q12 = gr.Slider(1, 4, value=2, step=1, label="12. Sou detalhista")
+        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"
+        ]
 
-            with gr.Column():
-                q13 = gr.Slider(1, 4, value=2, step=1, label="13. Busco resultados")
-                q14 = gr.Slider(1, 4, value=2, step=1, label="14. Sou motivador")
-                q15 = gr.Slider(1, 4, value=2, step=1, label="15. Sou confiável")
-                q16 = gr.Slider(1, 4, value=2, step=1, label="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")
 
@@ -151,15 +107,13 @@ def create_disc_interface():
             x="Dimensão",
             y="Score",
             title="Scores DISC",
-            tooltip=["Dimensão", "Score"],
             height=400,
             width=600
         )
 
         analyze_btn.click(
             fn=analyzer.avaliar_disc,
-            inputs=[q1, q2, q3, q4, q5, q6, q7, q8,
-                   q9, q10, q11, q12, q13, q14, q15, q16],
+            inputs=sliders,
             outputs=[perfil_output, relatorio_output, plot_output]
         )