Update app.py

app.py

@@ -4,97 +4,99 @@ from sentence_transformers import SentenceTransformer, util
 from transformers import T5ForConditionalGeneration, T5Tokenizer
 
 # --- 1. Carregamento dos Modelos (faça isso apenas uma vez) ---
+# Esta parte não muda. Usaremos os mesmos modelos eficientes.
 
 # Modelo para criar embeddings (vetores) a partir do texto
-# 'all-MiniLM-L6-v2' é um modelo rápido e eficaz para essa tarefa.
 print("Carregando o modelo de recuperação (Sentence Transformer)...")
 retriever_model = SentenceTransformer('all-MiniLM-L6-v2')
 
 # Modelo para gerar as respostas (um T5 do Hugging Face)
-# 'google/flan-t5-base' é ótimo para tarefas de pergunta e resposta.
 print("Carregando o modelo de geração (Flan-T5)...")
 generator_tokenizer = T5Tokenizer.from_pretrained('google/flan-t5-base')
 generator_model = T5ForConditionalGeneration.from_pretrained('google/flan-t5-base')
 print("Modelos carregados com sucesso!")
 
-# --- 2. Base de Conhecimento (Nosso "banco de dados" simples) ---
-# Em um aplicativo real, isso viria de arquivos, um banco de dados, etc.
+
+# --- 2. Base de Conhecimento: DADOS DOS CERTIFICADOS DE CALIBRAÇÃO ---
+# Esta é a principal modificação.
+# Cada string representa os dados essenciais de um certificado de calibração.
+# Em um sistema real, isso viria de um banco de dados ou da leitura de PDFs.
 
 knowledge_base = [
-    "A capital da França é Paris. A cidade é famosa pela Torre Eiffel e pelo Museu do Louvre.",
-    "A fórmula química da água é H2O, composta por dois átomos de hidrogênio e um de oxigênio.",
-    "Gradio é uma biblioteca de Python que permite criar interfaces de usuário para modelos de machine learning de forma rápida.",
-    "O Sol é a estrela no centro do Sistema Solar. Mercúrio, Vênus, Terra, Marte, Júpiter, Saturno, Urano e Netuno são os planetas que o orbitam.",
-    "Retrieval-Augmented Generation (RAG) é uma técnica que melhora os resultados de modelos de linguagem grandes ao acessar uma base de conhecimento externa."
+    "Certificado ID: CAL-2023-001. Instrumento TAG: PI-101 (Manômetro de Pressão). Data da Calibração: 15/01/2023. Próxima Calibração: 15/01/2024. Resultado: APROVADO. Incerteza da medição: 0.05 bar. Padrão utilizado: Fluke 754 (ID: P-05). Técnico: Ana Oliveira.",
+    "Certificado ID: CAL-2023-002. Instrumento TAG: TT-205 (Transmissor de Temperatura). Data da Calibração: 20/02/2023. Próxima Calibração: 20/08/2023. Resultado: REPROVADO 'como encontrado', APROVADO 'como deixado' após ajuste. Tolerância: ±0.1°C. Observação: Encontrado desvio de +0.3°C no ponto de 100°C.",
+    "Certificado ID: CAL-2023-003. Instrumento TAG: FV-300 (Válvula de Controle). Data do Teste: 05/03/2023. Próximo Teste: 05/03/2025. Procedimento: POP-123-Rev02. Resultado: APROVADO. Observação: Histerese de 1.5% encontrada, dentro do limite de 2.0%.",
+    "Certificado ID: CAL-2023-004. Instrumento TAG: BAL-01 (Balança Analítica). Data da Calibração: 10/04/2023. Próxima Calibração: 10/04/2024. Resultado: APROVADO. Incerteza da medição: ±0.001g. Padrões de massa com rastreabilidade à RBC/Inmetro.",
+    "Certificado ID: CAL-2023-005. Instrumento TAG: PI-102 (Manômetro de Pressão de reserva). Data da Calibração: 18/01/2023. Próxima Calibração: 18/01/2024. Resultado: APROVADO. Técnico: Carlos Pereira. O instrumento estava armazenado e foi calibrado antes do uso potencial."
 ]
 
 # --- 3. Pré-processamento da Base de Conhecimento ---
-# Convertendo nossos documentos em vetores numéricos (embeddings) para busca.
-# Isso é feito apenas uma vez para otimizar a velocidade.
+# Esta parte não muda. Convertemos nossa nova base de conhecimento em vetores.
+print("Processando a base de conhecimento (certificados)...")
 knowledge_base_embeddings = retriever_model.encode(knowledge_base, convert_to_tensor=True)
+print("Base de conhecimento pronta!")
 
 
 # --- 4. A Função Principal do RAG ---
-
+# Esta função é agnóstica ao domínio, então não precisa de alterações.
 def answer_question(question):
     """
-    Esta função recebe uma pergunta, encontra o documento mais relevante na base de conhecimento
-    e gera uma resposta baseada nesse documento.
+    Esta função recebe uma pergunta, encontra o certificado mais relevante na base de conhecimento
+    e gera uma resposta baseada nos dados daquele certificado.
     """
     # Etapa de Recuperação (Retrieval)
-    # 1. Codificar a pergunta do usuário em um vetor.
     question_embedding = retriever_model.encode(question, convert_to_tensor=True)
-
-    # 2. Calcular a similaridade de cosseno entre a pergunta e todos os documentos da base.
-    # Isso nos diz qual documento é o mais "parecido" com a pergunta.
     cosine_scores = util.cos_sim(question_embedding, knowledge_base_embeddings)
-
-    # 3. Encontrar o documento com a maior pontuação de similaridade.
     best_doc_index = torch.argmax(cosine_scores)
     retrieved_context = knowledge_base[best_doc_index]
 
-    print(f"\n--- Nova Pergunta ---")
+    # Log para depuração, para vermos qual certificado foi recuperado.
+    print(f"\n--- Nova Pergunta de Auditoria ---")
     print(f"Pergunta: {question}")
-    print(f"Contexto Recuperado: {retrieved_context}")
+    print(f"Certificado Recuperado (Contexto): {retrieved_context}")
 
     # Etapa de Geração (Generation)
-    # 1. Criar um prompt combinando o contexto recuperado e a pergunta.
-    # Este formato instrui o modelo T5 a usar o contexto para responder.
     prompt = f"""
     Contexto: {retrieved_context}
 
     Pergunta: {question}
 
-    Com base apenas no contexto fornecido, responda à pergunta.
+    Com base estritamente no contexto do certificado fornecido, responda à pergunta do auditor.
     Resposta:
     """
 
-    # 2. Tokenizar o prompt para o modelo gerador.
     input_ids = generator_tokenizer(prompt, return_tensors="pt").input_ids
 
-    # 3. Gerar a resposta usando o modelo.
     outputs = generator_model.generate(
         input_ids,
-        max_length=100,      # Define um limite para o tamanho da resposta
-        num_beams=5,         # Usa beam search para respostas de melhor qualidade
-        early_stopping=True  # Para de gerar quando a frase está completa
+        max_length=150,
+        num_beams=5,
+        early_stopping=True
     )
 
-    # 4. Decodificar a resposta gerada para texto legível.
     answer = generator_tokenizer.decode(outputs[0], skip_special_tokens=True)
-
     return answer
 
 # --- 5. Criação da Interface com Gradio ---
-
+# Modificamos o título e a descrição para a nossa nova aplicação.
 interface = gr.Interface(
     fn=answer_question,
-    inputs=gr.Textbox(lines=2, placeholder="Faça sua pergunta aqui...", label="Pergunta"),
-    outputs=gr.Textbox(label="Resposta Gerada pelo RAG"),
-    title="🤖 App RAG Simples",
-    description="Faça uma pergunta sobre os tópicos da nossa base de conhecimento: França, água, Gradio, o Sistema Solar ou RAG. O sistema encontrará o documento relevante e gerará uma resposta."
+    inputs=gr.Textbox(
+        lines=3,
+        placeholder="Faça uma pergunta sobre um certificado ou instrumento...\nEx: Qual o resultado do manômetro PI-101?\nQuando vence a calibração do TT-205?\nQuem calibrou a balança BAL-01?",
+        label="Pergunta do Auditor"
+    ),
+    outputs=gr.Textbox(label="Resposta Baseada no Certificado"),
+    title="🤖 RAG - Auditor de Certificados de Calibração",
+    description="Este sistema usa RAG para responder perguntas sobre certificados de calibração. Pergunte sobre o status, datas, técnicos ou resultados de um instrumento específico (PI-101, TT-205, FV-300, BAL-01).",
+    examples=[
+        ["Qual foi o resultado da calibração do PI-101?"],
+        ["Quando é a próxima calibração do transmissor TT-205?"],
+        ["Qual a incerteza da balança BAL-01?"],
+        ["Houve alguma observação no certificado da válvula FV-300?"]
+    ]
 )
 
 # --- 6. Lançamento do App ---
 if __name__ == "__main__":
-    interface.launch()
+    interface.launch()