from sentence_transformers import SentenceTransformer
import gradio as gr
import numpy as np
import faiss

# Cargar el modelo de Sentence Transformers
model_name="quora-distilbert-multilingual"
model = SentenceTransformer(model_name)

# Función para vectorizar un texto
def vectorize_text(text):
    return model.encode([text])[0]
    
# Cargar el índice de Faiss
index = faiss.read_index("faiss_train_index.index")

# Establecer el umbral de similitud (puedes ajustarlo según tus necesidades)
umbral_similitud = 0.8

# Función para la predicción
def predecir_similitud(texto):
    # Vectorizar el texto (usando la misma función que antes)
    texto_vectorizado = vectorize_text(texto)

    # Buscar similitud con Faiss
    texto_vectorizado_np = np.array([texto_vectorizado], dtype=np.float32)
    D, I = index.search(texto_vectorizado_np, 1)  # Buscar el vector más cercano
    similitud = 1 - D[0][0]  # Calcular similitud de coseno

    # Comparar con el umbral y proporcionar el resultado
    if similitud >= umbral_similitud:
        resultado = f"Coincidencia detectada (similitud: {similitud:.2f})"
    else:
        resultado = f"No se detectó coincidencia (similitud: {similitud:.2f}")
    
    return resultado

# Crear la interfaz de Gradio con un botón de "Predecir"
iface = gr.Interface(
    fn=predecir_similitud,
    inputs=gr.inputs.Textbox(default="Ingrese su texto aquí"),
    outputs=gr.outputs.Textbox(),
    live=True,
    title="Detector de Coincidencias",
    description="Ingrese un texto y haga clic en 'Predecir' para detectar coincidencias con los vectores."
)

# Ejecutar la interfaz
iface.launch()