Update app.py

app.py

@@ -1,95 +1,95 @@
-#python -m streamlit run app.py 
-
-import streamlit as st
-from transformers import pipeline
-from FlagEmbedding import BGEM3FlagModel
-from FlagEmbedding import FlagReranker
-from inference_script import answer_question #import function from another file
-from corpus import corpusvalue
-import numpy as np
-import getpass
-import os
-from langchain.prompts.prompt import PromptTemplate
-from langchain.chains import ConversationChain
-from langchain.chains import LLMChain
-from langchain_google_genai import ChatGoogleGenerativeAI
-import pickle
-import sqlite3
-
-@st.cache_resource
-def load_model():
-    return BGEM3FlagModel('BAAI/bge-m3',use_fp16=True)
-
-@st.cache_resource
-def load_rerank_model():
-    return FlagReranker('BAAI/bge-reranker-v2-m3', use_fp16=True)
-
-@st.cache_resource
-def initLLM():
-    os.environ["GOOGLE_API_KEY"] = "AIzaSyAuKPswmbdM8jCpSt0luez7tjLND-uyY7M"
-    llm = ChatGoogleGenerativeAI(model="gemini-pro")
-    template = """
-    คุณเป็นผู้เชี่ยวชาญด้านกฎหมายจราจร มีหน้าที่ในการนำข้อความทางกฎหมายเเละข้อปฎิบัติเกี่ยวกับการละเมิดกฎจราจรเเละข้อปฎิบัติต่างๆมาตอบคำถามว่าคำถามที่ถามมานั้นว่าผิดหรือไม่หรือจะต้องปฎิบัติตัวอย่างไร เเละอธิบายเพิ่มเติม ให้รายละเอียดและคำอธิบายเพิ่มเติมเพื่อให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญด้านกฎหมายเข้าใจได้ง่ายขึ้น
-
-    นี้คือคำถาม : {question}
-    ข้อความทางกฎหมาย: {section}
-
-    คำอธิบายโดยละเอียด:
-    """
-    prompt = PromptTemplate(
-        input_variables=["section","question"],
-        template=template
-    )
-    llm_chain = LLMChain(prompt=prompt, llm=llm)
-    return llm_chain
-
-@st.cache_data
-def embeded_corpus():
-    file_path_embeded_corpus = "save/BGM3savesimilar_Corpus" #
-    with open(file_path_embeded_corpus,'rb') as file :
-        BGM3similar_Corpus = pickle.load(file)
-    return BGM3similar_Corpus
-
-def insert_feedback(question, answer,like,dislike, feedback_text):
-    conn = sqlite3.connect('feedback.db')
-    cursor = conn.cursor()
-    cursor.execute('''CREATE TABLE IF NOT EXISTS qa_feedback
-                 (id INTEGER PRIMARY KEY, question TEXT, answer TEXT, 
-                 like INTEGER, dislike INTEGER, feedback_text TEXT)''')
-    data_to_insert = (question, answer, like, dislike, feedback_text)
-    sql_query = 'INSERT INTO qa_feedback (question, answer, like, dislike, feedback_text) VALUES (?, ?, ?, ?, ?)'
-    cursor.execute(sql_query, data_to_insert)
-    conn.commit()
-    conn.close()
-
-model = load_model()
-rerank_model = load_rerank_model()
-llm_chain = initLLM()
-BGM3similar_Corpus = embeded_corpus()
-corpus_list = corpusvalue()
-
-st.title("Traffic Law Question-Answering")
-
-question = st.text_area("Enter your question:")
-
-if 'like_value' not in st.session_state:
-    st.session_state.like_value = 0
-if 'dislike_value' not in st.session_state:
-    st.session_state.dislike_value = 0
-
-if st.button("Get Answer"):
-    if question:
-        answer = answer_question(question=question,model=model,rerankmodel=rerank_model,corpus_embed= BGM3similar_Corpus, corpus_list=corpus_list,llm_chain=llm_chain)
-        st.text_area("Answer:", value=answer, height=500)
-
-        st.write("### Feedback")
-        feedback = st.text_area("Your feedback:")
-        like = st.button("👍 Like")
-        dislike = st.button("👎 Dislike")
-
-        like_value = 1 if like else 0
-        dislike_value = -1 if dislike else 0
-        feedback = feedback if feedback else "No Feed back"
-
-        if like or dislike or feedback:
+#python -m streamlit run app.py 
+
+import streamlit as st
+from transformers import pipeline
+from FlagEmbedding import BGEM3FlagModel
+from FlagEmbedding import FlagReranker
+from inference_script import answer_question #import function from another file
+from corpus import corpusvalue
+import numpy as np
+import getpass
+import os
+from langchain.prompts.prompt import PromptTemplate
+from langchain.chains import ConversationChain
+from langchain.chains import LLMChain
+from langchain_google_genai import ChatGoogleGenerativeAI
+import pickle
+import sqlite3
+
+@st.cache_resource
+def load_model():
+    return BGEM3FlagModel('BAAI/bge-m3',use_fp16=True)
+
+@st.cache_resource
+def load_rerank_model():
+    return FlagReranker('BAAI/bge-reranker-v2-m3', use_fp16=True)
+
+@st.cache_resource
+def initLLM():
+    os.environ["GOOGLE_API_KEY"] = "AIzaSyAuKPswmbdM8jCpSt0luez7tjLND-uyY7M"
+    llm = ChatGoogleGenerativeAI(model="gemini-pro")
+    template = """
+    คุณเป็นผู้เชี่ยวชาญด้านกฎหมายจราจร มีหน้าที่ในการนำข้อความทางกฎหมายเเละข้อปฎิบัติเกี่ยวกับการละเมิดกฎจราจรเเละข้อปฎิบัติต่างๆมาตอบคำถามว่าคำถามที่ถามมานั้นว่าผิดหรือไม่หรือจะต้องปฎิบัติตัวอย่างไร เเละอธิบายเพิ่มเติม ให้รายละเอียดและคำอธิบายเพิ่มเติมเพื่อให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญด้านกฎหมายเข้าใจได้ง่ายขึ้น
+
+    นี้คือคำถาม : {question}
+    ข้อความทางกฎหมาย: {section}
+
+    คำอธิบายโดยละเอียด:
+    """
+    prompt = PromptTemplate(
+        input_variables=["section","question"],
+        template=template
+    )
+    llm_chain = LLMChain(prompt=prompt, llm=llm)
+    return llm_chain
+
+@st.cache_data
+def embeded_corpus():
+    file_path_embeded_corpus = "/save/BGM3savesimilar_Corpus" #
+    with open(file_path_embeded_corpus,'rb') as file :
+        BGM3similar_Corpus = pickle.load(file)
+    return BGM3similar_Corpus
+
+def insert_feedback(question, answer,like,dislike, feedback_text):
+    conn = sqlite3.connect('feedback.db')
+    cursor = conn.cursor()
+    cursor.execute('''CREATE TABLE IF NOT EXISTS qa_feedback
+                 (id INTEGER PRIMARY KEY, question TEXT, answer TEXT, 
+                 like INTEGER, dislike INTEGER, feedback_text TEXT)''')
+    data_to_insert = (question, answer, like, dislike, feedback_text)
+    sql_query = 'INSERT INTO qa_feedback (question, answer, like, dislike, feedback_text) VALUES (?, ?, ?, ?, ?)'
+    cursor.execute(sql_query, data_to_insert)
+    conn.commit()
+    conn.close()
+
+model = load_model()
+rerank_model = load_rerank_model()
+llm_chain = initLLM()
+BGM3similar_Corpus = embeded_corpus()
+corpus_list = corpusvalue()
+
+st.title("Traffic Law Question-Answering")
+
+question = st.text_area("Enter your question:")
+
+if 'like_value' not in st.session_state:
+    st.session_state.like_value = 0
+if 'dislike_value' not in st.session_state:
+    st.session_state.dislike_value = 0
+
+if st.button("Get Answer"):
+    if question:
+        answer = answer_question(question=question,model=model,rerankmodel=rerank_model,corpus_embed= BGM3similar_Corpus, corpus_list=corpus_list,llm_chain=llm_chain)
+        st.text_area("Answer:", value=answer, height=500)
+
+        st.write("### Feedback")
+        feedback = st.text_area("Your feedback:")
+        like = st.button("👍 Like")
+        dislike = st.button("👎 Dislike")
+
+        like_value = 1 if like else 0
+        dislike_value = -1 if dislike else 0
+        feedback = feedback if feedback else "No Feed back"
+
+        if like or dislike or feedback:
             insert_feedback(question, answer,  like_value, dislike_value,feedback)