Update app.py
Browse files
app.py
CHANGED
@@ -3,6 +3,28 @@ import pandas as pd
|
|
3 |
import matplotlib.pyplot as plt
|
4 |
import seaborn as sns
|
5 |
from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
|
7 |
# Configuração do modelo local
|
8 |
def load_model():
|
@@ -16,7 +38,7 @@ def load_model():
|
|
16 |
tokenizer = AutoTokenizer.from_pretrained(model_name)
|
17 |
return pipeline('text-generation', model=model, tokenizer=tokenizer)
|
18 |
|
19 |
-
# Questões DISC
|
20 |
perguntas = {
|
21 |
'D': [
|
22 |
"Eu sou direto e vou direto ao ponto",
|
@@ -44,6 +66,7 @@ perguntas = {
|
|
44 |
]
|
45 |
}
|
46 |
|
|
|
47 |
def calcular_disc(respostas):
|
48 |
resultados = {'D': 0, 'I': 0, 'S': 0, 'C': 0}
|
49 |
|
@@ -70,7 +93,6 @@ def criar_grafico(resultados):
|
|
70 |
return plt
|
71 |
|
72 |
def gerar_analise_llm(pipe, resultados, respostas_brutas):
|
73 |
-
# Prepara o prompt para o LLM
|
74 |
prompt = f"""<s>[INST] Como um especialista em análise comportamental DISC, faça uma análise detalhada do seguinte perfil:
|
75 |
|
76 |
Resultados percentuais:
|
@@ -82,7 +104,6 @@ Conformidade (C): {resultados['C']:.1f}%
|
|
82 |
Respostas com pontuações mais altas:
|
83 |
"""
|
84 |
|
85 |
-
# Adiciona respostas com pontuações altas ao prompt
|
86 |
for tipo, valor in respostas_brutas.items():
|
87 |
if valor >= 4:
|
88 |
dimensao = tipo[0]
|
@@ -99,7 +120,6 @@ Forneça:
|
|
99 |
5. Ambientes de trabalho mais adequados
|
100 |
[/INST]"""
|
101 |
|
102 |
-
# Gera a análise usando o modelo local
|
103 |
resposta = pipe(
|
104 |
prompt,
|
105 |
max_new_tokens=1024,
|
@@ -108,38 +128,37 @@ Forneça:
|
|
108 |
repetition_penalty=1.15
|
109 |
)[0]['generated_text']
|
110 |
|
111 |
-
|
112 |
-
analise = resposta.split("[/INST]")[1].strip()
|
113 |
-
|
114 |
-
return analise
|
115 |
|
116 |
class DiscAnalyzer:
|
117 |
def __init__(self):
|
118 |
self.pipe = load_model()
|
119 |
|
120 |
def avaliar_disc(self, values):
|
121 |
-
#
|
|
|
|
|
|
|
122 |
respostas = {}
|
123 |
for i, (tipo, perguntas_tipo) in enumerate(perguntas.items()):
|
124 |
for j, pergunta in enumerate(perguntas_tipo):
|
125 |
respostas[f"{tipo}{j+1}"] = values[i*4 + j]
|
126 |
|
127 |
-
# Calcula os resultados
|
128 |
resultados = calcular_disc(respostas)
|
129 |
-
|
130 |
-
# Cria o gráfico
|
131 |
fig = criar_grafico(resultados)
|
132 |
-
|
133 |
-
# Gera a análise detalhada
|
134 |
analise = gerar_analise_llm(self.pipe, resultados, respostas)
|
135 |
|
136 |
-
return fig, analise
|
137 |
|
138 |
# Interface Gradio
|
139 |
analyzer = DiscAnalyzer()
|
140 |
|
141 |
with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
|
142 |
gr.Markdown("# Avaliação de Perfil DISC com Análise Avançada")
|
|
|
|
|
|
|
|
|
143 |
gr.Markdown("### Avalie cada afirmação em uma escala de 1 a 5")
|
144 |
|
145 |
sliders = []
|
@@ -155,11 +174,12 @@ with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
|
|
155 |
plot = gr.Plot()
|
156 |
|
157 |
analise = gr.Markdown(label="Análise Detalhada do Perfil")
|
|
|
158 |
|
159 |
btn.click(
|
160 |
fn=analyzer.avaliar_disc,
|
161 |
inputs=sliders,
|
162 |
-
outputs=[plot, analise]
|
163 |
)
|
164 |
|
165 |
if __name__ == "__main__":
|
|
|
3 |
import matplotlib.pyplot as plt
|
4 |
import seaborn as sns
|
5 |
from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
|
6 |
+
import json
|
7 |
+
import os
|
8 |
+
|
9 |
+
# Arquivo para armazenar o contador
|
10 |
+
COUNTER_FILE = "disc_usage_counter.json"
|
11 |
+
|
12 |
+
# Função para gerenciar o contador
|
13 |
+
def load_counter():
|
14 |
+
if os.path.exists(COUNTER_FILE):
|
15 |
+
with open(COUNTER_FILE, 'r') as f:
|
16 |
+
return json.load(f)
|
17 |
+
return {"total_uses": 0}
|
18 |
+
|
19 |
+
def save_counter(counter):
|
20 |
+
with open(COUNTER_FILE, 'w') as f:
|
21 |
+
json.dump(counter, f)
|
22 |
+
|
23 |
+
def increment_counter():
|
24 |
+
counter = load_counter()
|
25 |
+
counter["total_uses"] += 1
|
26 |
+
save_counter(counter)
|
27 |
+
return f"Total de avaliações realizadas: {counter['total_uses']}"
|
28 |
|
29 |
# Configuração do modelo local
|
30 |
def load_model():
|
|
|
38 |
tokenizer = AutoTokenizer.from_pretrained(model_name)
|
39 |
return pipeline('text-generation', model=model, tokenizer=tokenizer)
|
40 |
|
41 |
+
# Questões DISC (mantido igual...)
|
42 |
perguntas = {
|
43 |
'D': [
|
44 |
"Eu sou direto e vou direto ao ponto",
|
|
|
66 |
]
|
67 |
}
|
68 |
|
69 |
+
# Funções existentes mantidas iguais...
|
70 |
def calcular_disc(respostas):
|
71 |
resultados = {'D': 0, 'I': 0, 'S': 0, 'C': 0}
|
72 |
|
|
|
93 |
return plt
|
94 |
|
95 |
def gerar_analise_llm(pipe, resultados, respostas_brutas):
|
|
|
96 |
prompt = f"""<s>[INST] Como um especialista em análise comportamental DISC, faça uma análise detalhada do seguinte perfil:
|
97 |
|
98 |
Resultados percentuais:
|
|
|
104 |
Respostas com pontuações mais altas:
|
105 |
"""
|
106 |
|
|
|
107 |
for tipo, valor in respostas_brutas.items():
|
108 |
if valor >= 4:
|
109 |
dimensao = tipo[0]
|
|
|
120 |
5. Ambientes de trabalho mais adequados
|
121 |
[/INST]"""
|
122 |
|
|
|
123 |
resposta = pipe(
|
124 |
prompt,
|
125 |
max_new_tokens=1024,
|
|
|
128 |
repetition_penalty=1.15
|
129 |
)[0]['generated_text']
|
130 |
|
131 |
+
return resposta.split("[/INST]")[1].strip()
|
|
|
|
|
|
|
132 |
|
133 |
class DiscAnalyzer:
|
134 |
def __init__(self):
|
135 |
self.pipe = load_model()
|
136 |
|
137 |
def avaliar_disc(self, values):
|
138 |
+
# Incrementa o contador
|
139 |
+
counter_text = increment_counter()
|
140 |
+
|
141 |
+
# Processamento normal
|
142 |
respostas = {}
|
143 |
for i, (tipo, perguntas_tipo) in enumerate(perguntas.items()):
|
144 |
for j, pergunta in enumerate(perguntas_tipo):
|
145 |
respostas[f"{tipo}{j+1}"] = values[i*4 + j]
|
146 |
|
|
|
147 |
resultados = calcular_disc(respostas)
|
|
|
|
|
148 |
fig = criar_grafico(resultados)
|
|
|
|
|
149 |
analise = gerar_analise_llm(self.pipe, resultados, respostas)
|
150 |
|
151 |
+
return fig, analise, counter_text
|
152 |
|
153 |
# Interface Gradio
|
154 |
analyzer = DiscAnalyzer()
|
155 |
|
156 |
with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
|
157 |
gr.Markdown("# Avaliação de Perfil DISC com Análise Avançada")
|
158 |
+
|
159 |
+
# Contador de uso
|
160 |
+
counter_text = gr.Markdown(load_counter()["total_uses"])
|
161 |
+
|
162 |
gr.Markdown("### Avalie cada afirmação em uma escala de 1 a 5")
|
163 |
|
164 |
sliders = []
|
|
|
174 |
plot = gr.Plot()
|
175 |
|
176 |
analise = gr.Markdown(label="Análise Detalhada do Perfil")
|
177 |
+
uso = gr.Markdown(label="Contador de Uso")
|
178 |
|
179 |
btn.click(
|
180 |
fn=analyzer.avaliar_disc,
|
181 |
inputs=sliders,
|
182 |
+
outputs=[plot, analise, uso]
|
183 |
)
|
184 |
|
185 |
if __name__ == "__main__":
|