Update app.py

app.py

@@ -1,87 +1,210 @@
-import gradio as gr
+import os
 import torch
+import gradio as gr
 from transformers import AutoTokenizer, AutoModelForSequenceClassification
 
-# Hugging Face model repo
-MODEL_NAME = "GoshawkVortexAI/Goshawk_insurance"
 
-# CPU kullan
-device = torch.device("cpu")
+# =========================================================
+# GOSHAWK INSURANCE AI
+# DistilBERT - Insurance Sector
+# CPU Optimized
+# =========================================================
+
+# Model dosyaları bu Space'in içinde olduğu için
+# Hugging Face'e tekrar bağlanmıyoruz.
+MODEL_PATH = "./"
+
+DEVICE = torch.device("cpu")
+
+
+# ---------------------------------------------------------
+# Model yükleme
+# ---------------------------------------------------------
 
+print("========================================")
+print("GOSHAWK INSURANCE AI")
 print("Model yükleniyor...")
+print("========================================")
+
+try:
+    tokenizer = AutoTokenizer.from_pretrained(
+        MODEL_PATH,
+        local_files_only=True
+    )
+
+    model = AutoModelForSequenceClassification.from_pretrained(
+        MODEL_PATH,
+        local_files_only=True
+    )
+
+    model.to(DEVICE)
+    model.eval()
 
-tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
+    print("Model başarıyla yüklendi.")
+    print("Device:", DEVICE)
+    print("Labels:", model.config.id2label)
 
-model.to(device)
-model.eval()
+except Exception as e:
+    print("MODEL YÜKLEME HATASI:")
+    print(str(e))
+    raise e
 
-# Label mapping
-id2label = model.config.id2label
 
+# ---------------------------------------------------------
+# Tahmin fonksiyonu
+# ---------------------------------------------------------
 
 def predict(text):
-    if not text or not text.strip():
-        return "Lütfen bir sigorta metni girin."
-
-    inputs = tokenizer(
-        text,
-        return_tensors="pt",
-        truncation=True,
-        padding=True,
-        max_length=256
-    )
 
-    inputs = {k: v.to(device) for k, v in inputs.items()}
+    if text is None or not text.strip():
+        return {
+            "Hata": "Lütfen bir sigorta metni girin."
+        }
+
+    text = text.strip()
 
-    with torch.no_grad():
-        outputs = model(**inputs)
+    try:
+
+        # Tokenization
+        inputs = tokenizer(
+            text,
+            return_tensors="pt",
+            truncation=True,
+            padding=True,
+            max_length=256
+        )
+
+        # CPU
+        inputs = {
+            key: value.to(DEVICE)
+            for key, value in inputs.items()
+        }
 
-    probabilities = torch.softmax(outputs.logits, dim=-1)[0]
+        # Tahmin
+        with torch.inference_mode():
 
-    results = {}
+            outputs = model(**inputs)
 
-    for i, probability in enumerate(probabilities):
-        label = id2label.get(i, f"LABEL_{i}")
-        results[label] = float(probability)
+            probabilities = torch.softmax(
+                outputs.logits,
+                dim=-1
+            )[0]
 
-    # En yüksek olasılık
-    best_label = max(results, key=results.get)
-    confidence = results[best_label]
+        # Sonuçları hazırla
+        results = {}
+
+        for i, probability in enumerate(probabilities):
+
+            label = model.config.id2label.get(
+                i,
+                f"LABEL_{i}"
+            )
+
+            results[label] = round(
+                float(probability) * 100,
+                2
+            )
 
-    return {
-        "Tahmin": best_label,
-        "Güven": f"{confidence * 100:.2f}%",
-        "Tüm sonuçlar": {
-            k: f"{v * 100:.2f}%"
-            for k, v in sorted(
+        # En yüksek sonuç
+        best_label = max(
+            results,
+            key=results.get
+        )
+
+        confidence = results[best_label]
+
+        # Büyükten küçüğe sırala
+        sorted_results = dict(
+            sorted(
                 results.items(),
                 key=lambda x: x[1],
                 reverse=True
             )
+        )
+
+        return {
+            "Tahmin": best_label,
+            "Güven": f"{confidence:.2f}%",
+            "Sonuçlar": {
+                label: f"{score:.2f}%"
+                for label, score in sorted_results.items()
+            }
+        }
+
+    except Exception as e:
+
+        return {
+            "Hata": str(e)
         }
-    }
 
 
+# ---------------------------------------------------------
+# Örnekler
+# ---------------------------------------------------------
+
+examples = [
+    [
+        "Araç kazası sonucunda ön tampon ve far hasar gördü."
+    ],
+    [
+        "Sigortalı kasko poliçesi kapsamında hasar başvurusunda bulundu."
+    ],
+    [
+        "Trafik kazası nedeniyle araçta maddi hasar oluşmuştur."
+    ],
+    [
+        "Poliçe kapsamında sağlık giderlerinin karşılanması talep edilmiştir."
+    ],
+    [
+        "Sigortalının hasar dosyası incelenerek ödeme yapılmasına karar verilmiştir."
+    ]
+]
+
+
+# ---------------------------------------------------------
+# Gradio arayüzü
+# ---------------------------------------------------------
+
 demo = gr.Interface(
+
     fn=predict,
+
     inputs=gr.Textbox(
         label="Sigorta Metni",
-        placeholder="Örneğin: Araç kaza nedeniyle hasar gördü...",
+        placeholder=(
+            "Örneğin: "
+            "Araç kazası sonucunda ön tampon hasar gördü..."
+        ),
         lines=6
     ),
-    outputs=gr.JSON(label="Model Sonucu"),
-    title="Goshawk Insurance AI",
+
+    outputs=gr.JSON(
+        label="Goshawk Insurance AI Sonucu"
+    ),
+
+    title="🛡️ Goshawk Insurance AI",
+
     description=(
-        "Sigorta sektörüne özel DistilBERT modeli. "
-        "Metni analiz ederek ilgili sınıfı tahmin eder."
+        "Sigorta sektörüne özel DistilBERT yapay zeka modeli. "
+        "Sigorta metinlerini analiz ederek sınıflandırır."
     ),
-    examples=[
-        ["Araç kazası sonucunda ön tampon ve far hasar gördü."],
-        ["Kasko poliçesi kapsamında hasar başvurusu yapılmıştır."],
-        ["Sigortalının sağlık giderleri poliçe kapsamında değerlendirilmiştir."]
-    ]
+
+    examples=examples,
+
+    submit_btn="Analiz Et",
+    clear_btn="Temizle"
 )
 
+
+# ---------------------------------------------------------
+# Uygulamayı başlat
+# ---------------------------------------------------------
+
 if __name__ == "__main__":
-    demo.launch()
+
+    demo.launch(
+        server_name="0.0.0.0",
+        server_port=int(
+            os.environ.get("PORT", 7860)
+        )
+    )