import os import gradio as gr from gradio.components import Textbox, Button, Slider, Checkbox from AinaTheme import theme from urllib.error import HTTPError from rag import RAG from utils import setup MAX_NEW_TOKENS = 300 SHOW_MODEL_PARAMETERS_IN_UI = os.environ.get("SHOW_MODEL_PARAMETERS_IN_UI", default="True") == "True" setup() rag = RAG( hf_token=os.getenv("HF_TOKEN"), embeddings_model=os.getenv("EMBEDDINGS"), model_name=os.getenv("MODEL"), ) def generate(prompt, model_parameters): try: output, context, source = rag.get_response(prompt, model_parameters) return output, context, source except HTTPError as err: if err.code == 400: gr.Warning( "The inference endpoint is only available Monday through Friday, from 08:00 to 20:00 CET." ) except: gr.Warning( "Inference endpoint is not available right now. Please try again later." ) def submit_input(input_, num_chunks, max_new_tokens, repetition_penalty, top_k, top_p, do_sample, temperature): if input_.strip() == "": gr.Warning("Not possible to inference an empty input") return None model_parameters = { "NUM_CHUNKS": num_chunks, "max_new_tokens": max_new_tokens, "repetition_penalty": repetition_penalty, "top_k": top_k, "top_p": top_p, "do_sample": do_sample, "temperature": temperature } output, context, source = generate(input_, model_parameters) sources_markup = "" for url in source: sources_markup += f'{url}
' return output.strip(), sources_markup, context def change_interactive(text): if len(text) == 0: return gr.update(interactive=True), gr.update(interactive=False) return gr.update(interactive=True), gr.update(interactive=True) def clear(): return ( None, None, None, None, None, gr.Slider(value=MAX_NEW_TOKENS), gr.Slider(value=1.0), gr.Slider(value=50), gr.Slider(value=0.99), gr.Checkbox(value=False), gr.Slider(value=0.35), ) def gradio_app(): with gr.Blocks(theme=theme) as demo: with gr.Row(): with gr.Column(scale=0.1): gr.Image("rag_image.jpg", elem_id="flor-banner", scale=1, height=256, width=256, show_label=False, show_download_button = False, show_share_button = False) with gr.Column(): gr.Markdown( """# Demo de Retrieval-Augmented Generation per documents legals 🔍 **Retrieval-Augmented Generation** (RAG) és una tecnologia de IA que permet interrogar un repositori de documents amb preguntes en llenguatge natural, i combina tècniques de recuperació d'informació avançades amb models generatius per redactar una resposta fent servir només la informació existent en els documents del repositori. 🎯 **Objectiu:** Aquest és un primer demostrador amb la normativa vigent publicada al Diari Oficial de la Generalitat de Catalunya, en el repositori del EADOP (Entitat Autònoma del Diari Oficial i de Publicacions). Aquesta primera versió explora prop de 2000 documents en català, i genera la resposta fent servir el model Flor6.3b entrenat amb el dataset de QA generativa projecte-aina/RAG_Multilingual. ⚠️ **Advertencies**: Primera versió experimental. El contingut generat per aquest model no està supervisat i pot ser incorrecte. Si us plau, tingueu-ho en compte quan exploreu aquest recurs. """ ) with gr.Row(equal_height=True): with gr.Column(variant="panel"): input_ = Textbox( lines=11, label="Input", placeholder="Quina és la finalitat del Servei Meteorològic de Catalunya?", # value = "Quina és la finalitat del Servei Meteorològic de Catalunya?" ) with gr.Row(variant="panel"): clear_btn = Button( "Clear", ) submit_btn = Button("Submit", variant="primary", interactive=False) with gr.Row(variant="panel"): with gr.Accordion("Model parameters", open=False, visible=SHOW_MODEL_PARAMETERS_IN_UI): num_chunks = Slider( minimum=1, maximum=6, step=1, value=1, label="Number of chunks" ) max_new_tokens = Slider( minimum=50, maximum=2000, step=1, value=MAX_NEW_TOKENS, label="Max tokens" ) repetition_penalty = Slider( minimum=0.1, maximum=2.0, step=0.1, value=1.0, label="Repetition penalty" ) top_k = Slider( minimum=1, maximum=100, step=1, value=50, label="Top k" ) top_p = Slider( minimum=0.01, maximum=0.99, value=0.99, label="Top p" ) do_sample = Checkbox( value=False, label="Do sample" ) temperature = Slider( minimum=0.1, maximum=1, value=0.35, label="Temperature" ) parameters_compontents = [num_chunks, max_new_tokens, repetition_penalty, top_k, top_p, do_sample, temperature] with gr.Column(variant="panel"): output = Textbox( lines=10, label="Output", interactive=False, show_copy_button=True ) with gr.Accordion("Sources and context:", open=False): source_context = gr.Markdown( label="Sources", show_label=False, ) with gr.Accordion("See full context evaluation:", open=False): context_evaluation = gr.Markdown( label="Full context", show_label=False, # interactive=False, # autoscroll=False, # show_copy_button=True ) input_.change( fn=change_interactive, inputs=[input_], outputs=[clear_btn, submit_btn], api_name=False, ) input_.change( fn=None, inputs=[input_], api_name=False, js="""(i, m) => { document.getElementById('inputlenght').textContent = i.length + ' ' document.getElementById('inputlenght').style.color = (i.length > m) ? "#ef4444" : ""; }""", ) clear_btn.click( fn=clear, inputs=[], outputs=[input_, output, source_context, context_evaluation] + parameters_compontents, queue=False, api_name=False ) submit_btn.click( fn=submit_input, inputs=[input_]+ parameters_compontents, outputs=[output, source_context, context_evaluation], api_name="get-results" ) with gr.Row(): with gr.Column(scale=0.5): gr.Examples( examples=[ ["""Què és l'EADOP (Entitat Autònoma del Diari Oficial i de Publicacions)?"""], ], inputs=input_, outputs=[output, source_context, context_evaluation], fn=submit_input, ) gr.Examples( examples=[ ["""Què diu el decret sobre la senyalització de les begudes alcohòliques i el tabac a Catalunya?"""], ], inputs=input_, outputs=[output, source_context, context_evaluation], fn=submit_input, ) gr.Examples( examples=[ ["""Com es pot inscriure una persona al Registre de catalans i catalanes residents a l'exterior?"""], ], inputs=input_, outputs=[output, source_context, context_evaluation], fn=submit_input, ) gr.Examples( examples=[ ["""Quina és la finalitat del Servei Meterològic de Catalunya ?"""], ], inputs=input_, outputs=[output, source_context, context_evaluation], fn=submit_input, ) demo.launch(show_api=True) if __name__ == "__main__": gradio_app()