import openai
import gradio as gr

# Remplace ta clé API OpenAI ici
openai.api_key = "ta_clé_api"

# Fonction qui fait répondre le chatbot
def chatbot_response(message):
    response = openai.Completion.create(
        engine="text-davinci-003",  # Choisis GPT-3
        prompt=message,
        max_tokens=150
    )
    return response.choices[0].text.strip()

# Interface Gradio pour dialoguer avec l'IA
gr.Interface(fn=chatbot_response, inputs="text", outputs="text").launch()
from transformers import Trainer, TrainingArguments, GPT2LMHeadModel, GPT2Tokenizer
from datasets import load_dataset

# Charge le jeu de données
dataset = load_dataset("ton_jeu_de_donnees")  # Par exemple, un fichier de dialogues.

# Charge un modèle préexistant comme GPT-2
model = GPT2LMHeadModel.from_pretrained("gpt2")
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")

# Prépare les données pour l'entraînement
def tokenize_function(examples):
    return tokenizer(examples["text"], return_tensors="pt", truncation=True, padding=True)

tokenized_datasets = dataset.map(tokenize_function, batched=True)

# Paramètres d'entraînement
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    per_device_eval_batch_size=8,
    evaluation_strategy="epoch",
    logging_dir="./logs",
)

# Entraîne le modèle
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_datasets["train"],
    eval_dataset=tokenized_datasets["test"],
)

trainer.train()