/TCC_project

RAG Application with Recursive Abstractive Processing for Tree-Organized Retrival (RAPTOR)

Primary LanguageJupyter Notebook

Desenvolvimento de um Assistente Chatbot Inteligente para Instalações Elétricas

Visão Geral

Este projeto de Trabalho de Conclusão de Curso (TCC) consiste no desenvolvimento de um assistente chatbot inteligente para instalações elétricas. O chatbot é baseado em um Modelo de Linguagem Grande (LLM) e utiliza a técnica RAPTOR - Recursive Abstractive Processing for Tree-Organized Retrieval para fornecer respostas precisas e contextualizadas a questões relacionadas a instalações elétricas.

Índice

Introdução

O propósito deste TCC é desenvolver um assistente chatbot que possa auxiliar engenheiros, técnicos e estudantes de engenharia elétrica a resolverem dúvidas e problemas comuns em instalações elétricas. Utilizando a técnica RAPTOR, o chatbot é capaz de navegar por documentos técnicos complexos, como a norma ABNT NBR 5410, e fornecer respostas abstrativas e contextualizadas.

Objetivos

Os principais objetivos deste projeto são:

  1. Desenvolver um modelo de chatbot baseado em LLM capaz de entender e responder perguntas sobre instalações elétricas.
  2. Implementar a técnica RAPTOR para otimizar a recuperação de informações e fornecer respostas abstrativas e contextualizadas.
  3. Validar a eficácia do chatbot através de testes e avaliações práticas.

Tecnologias Utilizadas

  • Linguagem de Programação: Python
  • Framework de Desenvolvimento de Chatbots: LangChain, Streamlit
  • Processamento de Linguagem Natural (NLP): spaCy, NLTK
  • Técnica de Indexação: RAPTOR (Recursive Abstractive Processing for Tree-Organized Retrieval)

Estrutura do Projeto

├── RAG_RAPTOR.ipynb
├── RAG_summaries.ipynb
├── README.md
├── app
│   ├── __pycache__
│   │   └── app.cpython-312.pyc
│   ├── app.py
│   └── src
│       ├── core
│       │   ├── __pycache__
│       │   │   └── service.cpython-312.pyc
│       │   └── service.py
│       ├── database
│       │   └── pdf
│       │       ├── ABNT_NBR_IEC_60079_14.pdf
│       │       ├── NBR_10898.pdf
│       │       ├── NBR_13570.pdf
│       │       ├── NBR_14039.pdf
│       │       ├── NBR_15514.pdf
│       │       ├── NBR_16280.pdf
│       │       ├── NBR_5410.pdf
│       │       ├── NBR_5413.pdf
│       │       ├── NBR_5419_1.pdf
│       │       ├── NBR_5419_2.pdf
│       │       ├── NBR_5419_3.pdf
│       │       └── NBR_5419_4.pdf
│       └── shared
│           ├── __pycache__
│           │   └── style.cpython-312.pyc
│           ├── style
│           │   └── images
│           │       ├── logo_2.png
│           │       └── ufrn-logo.png
│           └── utils
│               ├── __pycache__
│               │   └── utils.cpython-312.pyc
│               └── utils.py
├── dockerfile
├── env.yml
├── pdf_processing.log
├── test
│   └── nr-10.pdf
└── vectorstore_db
    ├── 7f5c301c-89d1-495e-8c6a-656f8cb9e948
    │   ├── data_level0.bin
    │   ├── header.bin
    │   ├── length.bin
    │   └── link_lists.bin
    └── chroma.sqlite3

Instalação

Para começar a usar este projeto, siga as etapas abaixo:

  1. Clone o repositório: 
    git clone https://github.com/nathansouz4/TCC-project.git
cd projeto-rag-langchain