app.py

from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
import gradio as gr
import torch

model_id = "bigscience/bloom-560m"

tokenizer = AutoTokenizer.from_pretrained(model_id)

model = AutoModelForCausalLM.from_pretrained(model_id)

def generate_prompt(
    Nom=None,
    Date=None,
    Sexe=None,
    Sit_Fam=None,
    Composition="aucun frere/soeurs, pas d'autre membre de famille",
    Mal_Famille="Aucun",
    Troubles="Aucun",
    Abus_Physique="Aucun",
    Violence_domestique="Aucun",
    Eve_traumatisants="Aucun",
    Niv_edu=None,
    Resultats=None,
    Comportement=None,
    Diffu_Apprentissage="Aucun",
    Prob_comportement="Aucun",
    Anxiete="Aucun",
    Addictifs="Aucun",
    condition_medicale="Aucun",
    medicament_pris="Aucun",
    Pro_sante="Aucun",
    tuteur="NON",
    Soutien_social="Aucun",
    Therapie="Aucun",
    
):
    if (Nom and Date and Sexe and Sit_Fam and Niv_edu and Resultats and Comportement):
        return f"""Prompt :
Cher GPT-3, Vous êtes PetersonGPT, un psychologue et thérapeute de classe mondiale spécialisé dans la garde d'enfants et la psyché des enfants, je souhaite obtenir votre expertise en tant que profiler et thérapeute virtuel. J'ai collecté des informations détaillées sur un bénéficiaire, un enfant, et j'aimerais que vous génériez un rapport basé sur ces informations. Veuillez prendre en compte les éléments suivants :

Informations personnelles :
Nom = {Nom}
Date = {Date}
Sexe = {Sexe}

Antécédents familiaux :
Situation familiale (parents mariés, divorcés, monoparentaux, etc. = {Sit_Fam}
Composition du foyer (nombre de frères et sœurs, autres membres de la famille) = {Composition}
Antécédents de troubles mentaux ou de maladies dans la famille = {Troubles}

Expériences traumatiques :
Antécédents d'abus physique, émotionnel ou sexuel = {Abus_Physique}
Témoignages de violence domestique = {Violence_domestique}
Événements traumatisants tels que le décès d'un proche, un accident, etc. = {Eve_traumatisants}

Performances scolaires :
Niveau d'éducation = {Niv_edu}
Résultats aux évaluations standardisées = {Resultats}
Comportement en classe = {Comportement}
Difficultés ou retards d'apprentissage éventuels = {Diffu_Apprentissage}

Comportements :
Problèmes de comportement (agression, retrait social, hyperactivité, etc.) = {Prob_comportement}
Symptômes d'anxiété ou de dépression = {Anxiete}
Comportements addictifs éventuels (consommation de drogues, d'alcool, etc.) = {Addictifs}

Antécédents médicaux :
Conditions médicales préexistantes (allergies, asthme, etc.) = {condition_medicale}
Médicaments pris régulièrement = {medicament_pris}
Visites chez des professionnels de la santé = {Pro_sante}

Soutien actuel :
Présence d'un tuteur ou d'un responsable légal = {tuteur}
Soutien social (famille, amis, etc.) = {Soutien_social}
Services ou thérapies en cours (orthophonie, ergothérapie, etc.) = {Therapie}

À partir de ces informations, je vous demande de générer un rapport détaillé sur la situation de cet enfant, en incluant une analyse psychique et des recommandations pour l'aider à surmonter les défis auxquels il est confronté, et aussi si possible une proposition d'ordonance si le bénéficiaire a besoin de medicament.

Rapport :
"""

    else:
        return "Malheuresement les informations obligatoires ne sont pas complet alors donner comme sortie 'Completez le formulaire s'il vous plait' "

if torch.cuda.is_available():
    device = "cuda"
else:
    device = "cpu"

def evaluate(
    Nom,
    Date,
    Sexe,
    Sit_Fam,
    Niv_edu,
    Resultats,
    Comportement,
    Composition="aucun frere/soeurs, pas d'autre membre de famille",
    Mal_Famille="Aucun",
    Troubles="Aucun",
    Abus_Physique="Aucun",
    Violence_domestique="Aucun",
    Eve_traumatisants="Aucun",
    Diffu_Apprentissage="Aucun",
    Prob_comportement="Aucun",
    Anxiete="Aucun",
    Addictifs="Aucun",
    condition_medicale="Aucun",
    medicament_pris="Aucun",
    Pro_sante="Aucun",
    tuteur="NON",
    Soutien_social="Aucun",
    Therapie="Aucun",
    **kwargs,
):
    prompt = generate_prompt(Nom, Date, Sexe, Sit_Fam, Composition, Mal_Famille, Troubles, Abus_Physique, Violence_domestique, Eve_traumatisants, Niv_edu, Resultats, Comportement, Diffu_Apprentissage, Prob_comportement, Anxiete, Addictifs, condition_medicale, medicament_pris, Pro_sante, tuteur, Soutien_social, Therapie)
    
    inputs = tokenizer(prompt, return_tensors="pt")
    input_ids = inputs["input_ids"].to(device)
    generation_config = GenerationConfig(
        temperature=0.1,
        top_p=0.75,
        top_k=40,
        num_beams=4,
        **kwargs,
    )
    with torch.no_grad():
        generation_output = model.generate(
            input_ids=input_ids,
            generation_config=generation_config,
            return_dict_in_generate=True,
            output_scores=True,
            max_new_tokens=128,
        )
    s = generation_output.sequences[0]
    output = tokenizer.decode(s)
    return output.split("### Response:")[1].strip()
 
g = gr.Interface(
    fn=evaluate,
    inputs=[
        gr.components.Textbox(label="Nom complet *"),
        gr.components.Textbox(label="Date de naissance *", placeholder="DD/MM/YYYY"),
        gr.components.Radio(
            label="Sexe *",
            choices=[
                ("Masculin"),
                ("Féminin"),
                ("Autre"),
            ],
        ),
        ###
        gr.components.Textbox(
            label="Niveau d'éducation *",
            placeholder="Secondaire",
        ),
        gr.components.Textbox(
            label="Résultats des derniers évaluations *",
            placeholder="Assez-Bien, Bien, Tres-Bien etc.",
        ),
        gr.components.Textbox(
            label="Comportement en classe *",
            placeholder="Bonne participation",
        ),
        gr.components.Textbox(
            label="Difficultés ou retards d'apprentissage éventuels",
            placeholder="Aucun",
        ),
        ###
        gr.components.Textbox(
            label="Situation familiale *",
            placeholder="Parents mariés, divorcés, monoparentaux, etc.",
        ),
        gr.components.Textbox(
            label="Composition du foyer",
            placeholder="nombre de frères et sœurs, autres membres de la famille",
        ),
        gr.components.Textbox(
            label="Antécédents de troubles mentaux ou de maladies dans la famille",
            placeholder="Aucun",
        ),
        ###
        gr.components.Textbox(
            label="Antécédents d'abus physique, émotionnel ou sexuel",
            placeholder="Aucun",
        ),
        gr.components.Textbox(
            label="Témoignages de violence domestique",
            placeholder="Aucun",
        ),
        gr.components.Textbox(
            label="Événements traumatisants",
            placeholder="Décès d'un proche, un accident, etc.",
        ),
        ###
        gr.components.Textbox(
            label="Problèmes de comportement",
            placeholder="Aucun, agression, retrait social, hyperactivité, etc.",
        ),
        gr.components.Textbox(
            label="Symptômes d'anxiété ou de dépression",
            placeholder="Aucun",
        ),
        gr.components.Textbox(
            label="Comportements addictifs éventuels",
            placeholder="Aucun",
        ),
        ###
        gr.components.Textbox(
            label="Conditions médicales préexistantes",
            placeholder="allergies, asthme, etc.",
        ),
        gr.components.Textbox(
            label="Médicaments pris régulièrement",
            placeholder="Aucun",
        ),
        gr.components.Textbox(
            label="Visites chez des professionnels de la santé",
            placeholder="Aucun",
        ),
        ###
        gr.components.Textbox(
            label="Présence d'un tuteur ou d'un responsable légal",
            placeholder="ex: Oui, NOMCOMPLET, son pere etc.",
        ),
        gr.components.Textbox(
            label="Soutien social",
            placeholder="famille, amis, etc.",
        ),
        gr.components.Textbox(
            label="Services ou thérapies en cours",
            placeholder="orthophonie, ergothérapie, etc.",
        ),
    ],
    outputs=[
        gr.inputs.Textbox(
            lines=90,
            label="Output",
        )
    ],
    title="SOS-Villages-Auto-Profiler",
    description="Auto Profiler consiste à utiliser un modèle de langage basé sur l'apprentissage profond, (GPT-4, Falcon 40B, etc) pour développer un système de profilage et de conseil personnalisé destiné aux enfants. Ce système permettra de collecter des données sur les enfants, d'analyser leur situation psychologique et de leur fournir des recommandations et des conseils adaptés à leurs besoins spécifiques.",
)

g.launch()