File size: 6,026 Bytes
fc7bd28 4601f2f fc7bd28 4601f2f 34910e6 4601f2f fc7bd28 4601f2f 8fb19aa 9706497 8fb19aa 9706497 e0366a3 8fb19aa a4a4f5c c2d49d0 a4a4f5c 20dfea0 9706497 a4a4f5c 9706497 b8d24ae e3bf15f 8284d2e e3bf15f 8284d2e e3bf15f 8284d2e e3bf15f 8284d2e e3bf15f 784ae69 9e33e11 e3bf15f 19adeb4 b8d24ae a4a4f5c | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 | import gradio as gr
from transformers import AutoModelForSequenceClassification, AutoTokenizer
from transformers import DistilBertTokenizerFast, AutoModelForSequenceClassification
# Cargando el tokenizador estándar
tokenizer = DistilBertTokenizerFast.from_pretrained('distilbert-base-uncased')
# Carga el modelo
model = AutoModelForSequenceClassification.from_pretrained("Schaman/DistilBERT_for_Logistic_Issues_Classification")
label_dict = {0: 'Problemas con la facturación', 1: 'Daño en el paquete', 2: 'Entrega tardía', 3: 'Problemas con la entrega', 4: 'Problemas con el servicio al cliente', 5: 'Problemas con la recogida', 6: 'Problemas de seguimiento'}
def predict(text):
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
prediction_index = outputs.logits.argmax().item()
return label_dict[prediction_index] # Devuelve la etiqueta correspondiente al índice
description = """
# Demostración del Modelo de Diagnóstico de Problemas de los Clientes en el Sector de Logística
Bienvenidos a la demostración del modelo de inteligencia artificial desarrollado por Schaman, diseñado para aplicarse en diversos sectores y que hoy nos centraremos en su uso en el sector logístico. Este proyecto es parte del "Algoritmo con Machine Learning Supervisado para el Diagnóstico de Problemas de los Clientes", financiado por red.es, y ha sido probado en los sectores de telecomunicaciones y logística.
### Categorías de Clasificación
En esta demo, exploraremos cómo el modelo clasifica las quejas en siete categorías específicas del sector logístico:
- Problemas con la facturación
- Daño en el paquete
- Entrega tardía
- Problemas con la entrega
- Problemas con el servicio al cliente
- Problemas con la recogida
- Problemas de seguimiento
### Acceso y Prueba del Modelo
El modelo es accesible públicamente y puede ser descargado desde la plataforma Hugging Face bajo la licencia cc-by-nc-4.0. Esto permite a los usuarios descargarlo y probarlo en sus propios conjuntos de datos para verificar su eficacia en la clasificación de quejas, proporcionando una herramienta valiosa para la mejora continua de los procesos de atención al cliente en diferentes sectores.
"""
with gr.Blocks() as app:
gr.Markdown(description)
with gr.Row():
textbox = gr.Textbox(lines=2, placeholder="Ingrese su queja de logística aquí...", value="Se supone que mi paquete tenía que haber llegado ayer...")
submit_button = gr.Button("Diagnosticar")
label = gr.Label() # Componente de salida para mostrar la predicción
submit_button.click(predict, inputs=textbox, outputs=label)
gr.HTML('<img src="https://cdn2.hubspot.net/hubfs/5700174/cmyk_schaman-logotipo_subrayado.jpg" alt="Schaman Logo" style="width:400px;">')
html_content = """
<style>
.wrapper {
max-width: 100%; /* Asegura que el contenedor no sea más ancho que la pantalla */
display: flex; /* Hace que el wrapper sea también un flex container */
justify-content: center; /* Centra los elementos horizontalmente */
overflow-x: auto; /* Permite desplazamiento horizontal si las imágenes no caben en la pantalla */
}
.grid {
display: flex; /* Establece un contenedor flex */
flex-wrap: nowrap; /* Evita que los elementos se envuelvan a la siguiente línea */
align-items: center; /* Alinea los logos verticalmente */
gap: 20px; /* Espacio entre logos */
}
.logo-eu img, .logo-digitalizacion img, .logo-redes img, .logo-prtr img, .logo-enisa img, .logo-cdti img, .logo-pyme img {
height: 100px; /* Ajusta la altura de las imágenes para que sean uniformes */
width: auto; /* Mantiene la proporción de las imágenes */
}
</style>
<div class="custom__below--footer-grid">
<div class="wrapper">
<div class="grid">
<!-- Enlaces y logos aquí, asegúrate de que las URLs y las rutas de las imágenes sean correctas -->
<!-- Ejemplo de un logo -->
<div class="logo-eu">
<a target="_blank" href="https://www.schaman.com/es/rd/public-funded-projects/machine-learning-supervision?hsLang=es">
<img src="https://www.schaman.com/hubfs/Schaman_2022/schaman_logo-footer--eu-nextgen.svg" alt="EU Next Generation" loading="lazy">
</a>
</div>
<div class="logo-digitalizacion">
<a target="_blank" href="https://www.schaman.com/es/rd/public-funded-projects/machine-learning-supervision?hsLang=es">
<img src="https://www.schaman.com/hubfs/Schaman_2022/logo-digitalizacion_512.png" alt="digitalizacion" loading="lazy">
</a>
</div>
<div class="logo-redes">
<a target="_blank" href="https://www.schaman.com/es/rd/public-funded-projects/machine-learning-supervision?hsLang=es">
<img src="https://www.schaman.com/hubfs/Schaman_2022/logo-redes-x4.png" alt="redes" loading="lazy">
</a>
</div>
<div class="logo-prtr">
<a target="_blank" href="https://www.schaman.com/es/rd/public-funded-projects/machine-learning-supervision?hsLang=es">
<img src="https://www.schaman.com/hubfs/Schaman_2022/schaman_logo-footer--prtr.svg" alt="PRTR" loading="lazy">
</a>
</div>
<div class="logo-enisa">
<img src="https://www.schaman.com/hubfs/Schaman_2022/schaman_logo-footer--enisa.png" alt="Enisa" loading="lazy">
</div>
<div class="logo-cdti">
<img src="https://www.schaman.com/hubfs/Schaman_2022/schaman_logo-footer--cdti.png" alt="CDTI" loading="lazy">
</div>
<div class="logo-pyme">
<img src="https://www.schaman.com/hubfs/Schaman_2022/pyme_innovadora_meic-SP_web.jpg" loading="lazy">
</div>
</div>
</div>
</div>
"""
gr.HTML(html_content)
app.launch()
|