Update app.py

app.py

@@ -1,58 +1,50 @@
 import gradio as gr
-import tensorflow as tf
-from tensorflow.keras.models import load_model
-import numpy as np
 import json
+from difflib import SequenceMatcher
+from unidecode import unidecode
 
-# Charger votre modèle existant
-model = load_model('chatbot_model.h5')
-
-# Charger les réponses ou toute autre donnée nécessaire
-with open('responses.json', 'r') as file:
-    responses = json.load(file)
+# Charger les réponses prédéfinies
+def load_data():
+    try:
+        with open("responses.json", "r") as f:
+            responses = json.load(f)
+    except FileNotFoundError:
+        responses = {
+            "bonjour": "Bonjour! Comment puis-je vous aider?",
+            "comment ça va?": "Je suis une IA, je vais toujours bien! Et vous?",
+            "quel est ton nom?": "Je suis un chatbot simple créé pour discuter avec vous.",
+            "au revoir": "Au revoir! Passez une bonne journée!",
+        }
+    return responses
 
-# Prétraitement de l'entrée utilisateur (exemple de tokenisation)
-def preprocess_input(input_text):
-    # Exemple simple : convertissez le texte en une séquence de mots ou indices numériques
-    input_text = input_text.lower()  # Mise en minuscules
-    # Ajoutez ici la tokenisation et le padding si nécessaire
-    # Par exemple, si vous utilisez un tokenizer Keras :
-    # tokenizer = ...  # Chargez votre tokenizer ici
-    # tokens = tokenizer.texts_to_sequences([input_text])  # Transformez le texte en séquences
-    # Ajoutez du padding si nécessaire
-    # tokens = tf.keras.preprocessing.sequence.pad_sequences(tokens, padding='post')
-    # return tokens
-    # Exemple de test avec un tableau vide pour démonstration
-    return np.array([[1]])  # À ajuster selon votre modèle
+responses = load_data()
 
-# Fonction pour générer la réponse du chatbot
+# Fonction pour obtenir la réponse du chatbot
 def chatbot_response(user_input):
-    # Prétraiter l'entrée
-    processed_input = preprocess_input(user_input)
-    
-    # Vérification du format de l'entrée avant la prédiction
-    print(f"Forme de processed_input : {processed_input.shape}")
-    print(f"Valeur de processed_input : {processed_input}")
-    
-    # Assurez-vous que l'entrée est au bon format (par exemple, sous forme de tableau 2D)
-    processed_input = np.array(processed_input)  # Convertir en tableau numpy
-    # Effectuer la prédiction
-    try:
-        prediction = model.predict(processed_input)  # Faites la prédiction
-        # Post-traitement de la prédiction (ajustez selon votre modèle)
-        response = process_prediction(prediction)
-        return response
-    except Exception as e:
-        return f"Erreur dans la prédiction: {str(e)}"
+    user_input = unidecode(user_input.lower())  # Normaliser l'entrée
+    max_similarity = 0
+    best_match = None
+    for key in responses.keys():
+        normalized_key = unidecode(key.lower())  # Normaliser la clé
+        similarity = SequenceMatcher(None, user_input, normalized_key).ratio()
+        print(f"Comparing '{user_input}' with '{normalized_key}' -> Similarity: {similarity}")
+        if similarity > max_similarity:
+            max_similarity = similarity
+            best_match = key
 
-def process_prediction(prediction):
-    # Exemple simple : renvoie la première réponse (ajustez selon votre modèle)
-    return responses.get(str(np.argmax(prediction)), "Désolé, je n'ai pas compris.")
+    if max_similarity > 0.5:  # Seuil ajusté
+        return responses[best_match]
+    
+    return "Je ne suis pas sûr de comprendre. Pouvez-vous reformuler?"
 
 # Interface Gradio
-iface = gr.Interface(fn=chatbot_response, 
-                     inputs=gr.Textbox(label="Entrée utilisateur"), 
-                     outputs=gr.Textbox(label="Réponse du Chatbot"))
+def gradio_interface(user_input):
+    return chatbot_response(user_input)
+
+iface = gr.Interface(fn=gradio_interface, 
+                     inputs="text", 
+                     outputs="text", 
+                     title="Chatbot Simple",
+                     description="Discutez avec un chatbot basé sur des réponses prédéfinies.")
 
-# Lancer l'interface Gradio
-iface.launch()
+iface.launch()