Create app.py

app.py

@@ -0,0 +1,68 @@
+import gradio as gr
+from datasets import load_dataset
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import LabelEncoder
+from sklearn.linear_model import LogisticRegression
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.pipeline import Pipeline
+
+# 1. Laden und Vorbereiten des Datensatzes (einmalig beim Start)
+try:
+    dataset = load_dataset("banking77")
+    texts = dataset['train']['text'] + dataset['test']['text']
+    labels = dataset['train']['label'] + dataset['test']['label']
+    label_encoder = LabelEncoder()
+    numerical_labels = label_encoder.fit_transform(labels)
+    label_names = label_encoder.classes_
+    train_texts, test_texts, train_labels, test_labels = train_test_split(
+        texts, numerical_labels, test_size=0.2, random_state=42, stratify=numerical_labels
+    )
+except Exception as e:
+    print(f"Fehler beim Laden des Datensatzes: {e}")
+    label_names = ["Fehler beim Laden"]
+    pipeline = None
+
+# 2. Trainieren des Modells (einmalig beim Start)
+if 'pipeline' not in locals() or pipeline is None:
+    try:
+        pipeline = Pipeline([
+            ('tfidf', TfidfVectorizer()),
+            ('classifier', LogisticRegression(solver='liblinear', multi_class='ovr', random_state=42))
+        ])
+        pipeline.fit(train_texts, train_labels)
+        print("Modell erfolgreich trainiert.")
+    except Exception as e:
+        print(f"Fehler beim Trainieren des Modells: {e}")
+        pipeline = None
+
+# 3. Funktion für die Vorhersage
+def predict_intent(text):
+    if pipeline is not None and label_names:
+        prediction = pipeline.predict([text])[0]
+        predicted_label = label_names[prediction]
+        probabilities = pipeline.predict_proba([text])[0]
+        confidences = {label_names[i]: f"{probabilities[i]:.2f}" for i in range(len(label_names))}
+        return predicted_label, confidences
+    else:
+        return "Fehler", {"Fehler": "Modell nicht geladen oder trainiert."}
+
+# 4. Erstellen der Gradio Interface
+iface = gr.Interface(
+    fn=predict_intent,
+    inputs=gr.Textbox(label="Gib deine Kundenanfrage ein:"),
+    outputs=[
+        gr.Label(label="Vorhergesagte Kundenintention:"),
+        gr.JSON(label="Konfidenzwerte:")
+    ],
+    title="Vorhersage der Kundenintention (Banking77)",
+    description="Dieses Demo sagt die Kundenintention basierend auf der Eingabe einer Textanfrage vorher. Das Modell wurde auf dem Banking77-Datensatz trainiert.",
+    examples=[
+        ["Ich habe mein Passwort vergessen."],
+        ["Wie kann ich Geld überweisen?"],
+        ["Meine Karte ist verloren gegangen."],
+        ["Was ist der aktuelle Zinssatz für ein Sparkonto?"]
+    ]
+)
+
+# 5. Starten der Gradio App (wird beim Ausführen des Skripts aktiv)
+iface.launch(share=False)