Upload 2 files

app.py

@@ -37,13 +37,13 @@ def buscar_en_pubmed(pregunta):
             return "No encontré artículos relevantes en PubMed."
     except Exception as e:
         logging.error(f"Error al buscar en PubMed: {e}")
-        return f"Error al buscar en PubMed: {e}"
+        return "Error al buscar en PubMed. Inténtalo de nuevo."
 
 # Función para buscar en Internet con tiempo de espera
 def buscar_en_internet(pregunta):
     try:
         url = f"https://api.duckduckgo.com/?q={pregunta}&format=json"
-        respuesta = requests.get(url, timeout=5)  # Tiempo de espera de 5 segundos
+        respuesta = requests.get(url, timeout=10)  # Incrementa el tiempo de espera a 10 segundos
         datos = respuesta.json()
         
         if "Abstract" in datos and datos["Abstract"]:
@@ -52,44 +52,58 @@ def buscar_en_internet(pregunta):
             return "No encontré información en Internet."
     except Exception as e:
         logging.error(f"Error al buscar en Internet: {e}")
-        return f"Error al buscar en Internet: {e}"
+        return "Error al buscar en Internet. Inténtalo de nuevo."
 
 # Función para generar respuestas del modelo (optimizada para CPU)
 def generar_respuesta(pregunta):
-    inputs = tokenizer(
-        f"Eres un profesor médico con vasto conocimiento en fisiología, bioquímica, farmacología y otras áreas médicas. "
-        f"Explica de manera clara, sencilla y didáctica. Utiliza términos médicos y explícalos dentro de tus respuestas. "
-        f"Si no estás seguro de algo, di 'No tengo suficiente información para responder a eso'. Pregunta: {pregunta}",
-        return_tensors="pt"
-    ).to("cpu")
-    
-    # Desactivar el cálculo de gradientes para ahorrar memoria
-    with torch.no_grad():
-        outputs = model.generate(**inputs, max_length=100)  # Reducir max_length para mayor velocidad
-    
-    return tokenizer.decode(outputs[0], skip_special_tokens=True)
+    try:
+        inputs = tokenizer(
+            f"Eres un profesor médico con vasto conocimiento en fisiología, bioquímica, farmacología y otras áreas médicas. "
+            f"Explica de manera clara, sencilla y didáctica. Utiliza términos médicos y explícalos dentro de tus respuestas. "
+            f"Si no estás seguro de algo, di 'No tengo suficiente información para responder a eso'. Pregunta: {pregunta}",
+            return_tensors="pt"
+        ).to("cpu")
+        
+        with torch.no_grad():
+            outputs = model.generate(**inputs, max_length=100)  # Reducir max_length para mayor velocidad
+        
+        return tokenizer.decode(outputs[0], skip_special_tokens=True)
+
+    except Exception as e:
+        logging.error(f"Error al generar respuesta del modelo: {e}")
+        return "No pude generar una respuesta. Inténtalo de nuevo."
 
 # Función principal para hacer preguntas al bot
 def pregunta_medica_con_carga(pregunta):
-    yield "Procesando tu pregunta..."  # Mensaje de carga
-    
-    # Respuesta del modelo médico
-    respuesta_modelo = generar_respuesta(pregunta)
-    
-    # Buscar en PubMed
-    referencias_pubmed = buscar_en_pubmed(pregunta)
-    
-    # Buscar en Internet
-    respuesta_internet = buscar_en_internet(pregunta)
-    
-    # Combinar respuestas
-    respuesta_final = (
-        f"Respuesta del Profesor Médico:\n{respuesta_modelo}\n\n"
-        f"Referencias de PubMed:\n{referencias_pubmed}\n\n"
-        f"Información de Internet:\n{respuesta_internet}"
-    )
-    
-    yield respuesta_final
+    try:
+        # Validar la entrada
+        if not isinstance(pregunta, str) or not pregunta.strip():
+            yield "Por favor, ingresa una pregunta válida."
+            return
+        
+        yield "Procesando tu pregunta..."  # Mensaje de carga
+        
+        # Respuesta del modelo médico
+        respuesta_modelo = generar_respuesta(pregunta)
+        
+        # Buscar en PubMed
+        referencias_pubmed = buscar_en_pubmed(pregunta)
+        
+        # Buscar en Internet
+        respuesta_internet = buscar_en_internet(pregunta)
+        
+        # Combinar respuestas
+        respuesta_final = (
+            f"Respuesta del Profesor Médico:\n{respuesta_modelo}\n\n"
+            f"Referencias de PubMed:\n{referencias_pubmed}\n\n"
+            f"Información de Internet:\n{respuesta_internet}"
+        )
+        
+        yield respuesta_final
+
+    except Exception as e:
+        logging.error(f"Error inesperado: {e}")
+        yield "Lo siento, ocurrió un error al procesar tu pregunta. Por favor, inténtalo de nuevo más tarde."
 
 # Crear la interfaz web con Gradio
 css = """