app.py

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)