Update app.py

app.py

@@ -1,23 +1,47 @@
 import gradio as gr
 import json
 import pandas as pd
+import torch
+from transformers import AutoModel, AutoProcessor
+from PIL import Image
+import requests
 
 # Charger les produits depuis le fichier JSON
 with open("products.json", "r", encoding="utf-8") as file:
     data = json.load(file)["products"]
 
-# Convertir les données en DataFrame Pandas
+# Convertir en DataFrame Pandas
 df = pd.DataFrame(data)
 
-# Fonction de recherche avec filtres
+# Charger le modèle Marqo-Ecommerce-Embeddings-L
+model_name = "Marqo/marqo-ecommerce-embeddings-L"
+model = AutoModel.from_pretrained(model_name, trust_remote_code=True)
+processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
+
+# Fonction pour extraire des embeddings textuels
+def get_text_embedding(text):
+    processed = processor(text=[text], return_tensors="pt")
+    with torch.no_grad():
+        embedding = model.get_text_features(processed["input_ids"], normalize=True)
+    return embedding
+
+# Fonction de recherche avancée avec Marqo
 def search_products(query, category, min_price, max_price):
     results = df.copy()
 
-    # Filtrer selon la recherche textuelle
-    if query:
-        results = results[results["title"].str.contains(query, case=False, na=False)]
+    # Générer l'embedding de la requête
+    query_embedding = get_text_embedding(query)
+
+    # Générer les embeddings des titres de produits
+    product_embeddings = torch.stack([get_text_embedding(title) for title in df["title"]])
+
+    # Calculer les similarités cosinus
+    similarities = (query_embedding @ product_embeddings.T).softmax(dim=-1).squeeze()
+
+    # Ajouter les scores de similarité au DataFrame
+    results["score"] = similarities.numpy()
 
-    # Filtrer par catégorie
+    # Filtrer par catégorie si sélectionnée
     if category and category != "Toutes":
         results = results[results["product_type"].str.contains(category, case=False, na=False)]
 
@@ -25,27 +49,30 @@ def search_products(query, category, min_price, max_price):
     results["price"] = results["price"].str.replace(" EUR", "").astype(float)
     results = results[(results["price"] >= min_price) & (results["price"] <= max_price)]
 
+    # Trier par score de pertinence
+    results = results.sort_values(by="score", ascending=False)
+
     # Générer l'affichage des résultats
     if results.empty:
         return "Aucun produit ne correspond à votre recherche."
-    
+
     products_list = []
-    for _, row in results.iterrows():
+    for _, row in results.head(10).iterrows():
         products_list.append(f"🔹 **{row['title']}**\n💰 {row['price']} EUR\n🔗 [Voir le produit]({row['link']})")
-    
+
     return "\n\n".join(products_list)
 
-# Interface utilisateur avec Gradio
+# Interface utilisateur Gradio
 with gr.Blocks() as demo:
-    gr.Markdown("# 🔍 Recherche avancée Straburo")
+    gr.Markdown("# 🔍 Recherche avancée Straburo (IA)")
 
     with gr.Row():
         query_input = gr.Textbox(label="Rechercher un produit")
         category_input = gr.Dropdown(["Toutes"] + list(df["product_type"].dropna().unique()), label="Catégorie")
-    
+
     with gr.Row():
-        min_price = gr.Slider(0, df["price"].str.replace(" EUR", "").astype(float).max(), value=0, label="Prix min (€)")
-        max_price = gr.Slider(0, df["price"].str.replace(" EUR", "").astype(float).max(), value=500, label="Prix max (€)")
+        min_price = gr.Slider(0, df["price"].max(), value=0, label="Prix min (€)")
+        max_price = gr.Slider(0, df["price"].max(), value=500, label="Prix max (€)")
 
     search_button = gr.Button("🔍 Rechercher")
     results_output = gr.Markdown()