Update app.py

app.py

@@ -1,64 +1,68 @@
+import os
 import gradio as gr
-from huggingface_hub import InferenceClient
+import numpy as np
+import pickle
+from sentence_transformers import SentenceTransformer
+from pypdf import PdfReader
+import re
+import google.generativeai as genai
 
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
+# Ρύθμιση του Gemini API
+genai.configure(api_key=os.environ["GEMINI_API_KEY"])
 
+# Φόρτωση του SentenceTransformer
+st_model = SentenceTransformer('dimitriz/st-greek-media-bert-base-uncased')
 
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
+# Συνάρτηση για το cosine similarity
+def cosine_similarity(a, b):
+    return np.dot(a, b.T) / (np.linalg.norm(a, axis=1)[:, np.newaxis] * np.linalg.norm(b, axis=1))
 
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
+# Αντικατάσταση μοτίβων στο κείμενο
+def replace_pattern(text, pattern=r" ν\. (\d+)", replacement=r" ν.\1"):
+    return re.sub(pattern, replacement, text)
 
-    messages.append({"role": "user", "content": message})
+# Δημιουργία chunks και ενσωματώσεων
+if os.path.exists('embedded_data.pkl'):
+    with open('embedded_data.pkl', 'rb') as file:
+        chunks, embedded_data = pickle.load(file)
+else:
+    chunks = []
+    for file in os.listdir("archive"):
+        if file.endswith(".pdf"):
+            reader = PdfReader(f'archive/{file}')
+            text = "".join([page.extract_text() for page in reader.pages])
+            text = replace_pattern(text, pattern=r" ν\. (\d+)", replacement=r" ν.\1")
+            chunks += text.split("\n")  # Απλό splitting
+    embedded_data = st_model.encode(chunks)
+    with open('embedded_data.pkl', 'wb') as file:
+        pickle.dump((chunks, embedded_data), file)
 
-    response = ""
+# Συνάρτηση RAG για ερώτημα χρήστη
+def rag_response(query):
+    embedded_query = st_model.encode(query)
+    similarities = cosine_similarity(embedded_query[np.newaxis, :], embedded_data)
+    top_indices = np.argsort(similarities[0])[::-1][:20]
+    top_doct = [chunks[index] for index in top_indices]
 
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
+    augmented_prompt = f"""Είσαι ένα σύστημα εμπειρογνώμονας και απαντάς ερωτήσεις.
+    Θα σου δώσω μια ερώτηση και ένα πλαίσιο και θα επιστρέψεις την απάντηση.
+    Ερώτηση : {query} Πλαίσιο : {top_doct}"""
 
-        response += token
-        yield response
+    try:
+        response = genai.generate_content(augmented_prompt)
+        return response.text
+    except Exception as e:
+        return f"Σφάλμα: {str(e)}"
 
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+# Δημιουργία Gradio UI
+interface = gr.Interface(
+    fn=rag_response,
+    inputs=gr.Textbox(label="Η ερώτησή σας:", lines=2, placeholder="Πληκτρολογήστε την ερώτησή σας εδώ..."),
+    outputs=gr.Textbox(label="Απάντηση από το Gemini:"),
+    title="RAG Gemini Assistant",
+    description="Χρησιμοποιεί RAG για να παρέχει ακριβείς και τεκμηριωμένες απαντήσεις."
 )
 
-
+# Εκκίνηση της εφαρμογής
 if __name__ == "__main__":
-    demo.launch()
+    interface.launch(share=True)