🤖 Chat RAG - Análisis Predictivo

Sistema completo de Retrieval-Augmented Generation (RAG) con interfaz web e API para responder preguntas basadas en una base de conocimiento.

📋 Descripción

Este proyecto implementa un sistema RAG que:

• ✅ Recupera documentos relevantes usando embeddings semánticos
• ✅ Genera respuestas precisas con un modelo de lenguaje especializado
• ✅ Ofrece interfaz interactiva con Gradio
• ✅ Expone API REST para integración externa
• ✅ Desplegado en Hugging Face Spaces

🧠 Modelos Utilizados

Ambos modelos optimizados para CPU en entornos serverless.

---

🚀 Inicio Rápido

Acceso Online

🌐 Abre el Chat RAG en Hugging Face Spaces

Instalación Local

# 1. Clonar repositorio
git clone https://github.com/Soren-Madsen/Practica-Final-RA3-Analisis-predictivo-de-informacion.git
cd Practica-Final-RA3-Analisis-predictivo-de-informacion.

# 2. Crear entorno virtual
python -m venv .venv
source .venv/bin/activate  # En Windows: .venv\Scripts\activate

# 3. Instalar dependencias
pip install -r requirements.txt

# 4. Ejecutar la aplicación
python app.py

Abre tu navegador en http://localhost:7860

---

💻 Uso

Opción 1: Interfaz Web (Gradio)

python app.py

Luego accede a http://localhost:7860 y:

1. Escribe tu pregunta en inglés
2. Ajusta los parámetros (Top K, Umbral) si lo deseas
3. Haz clic en "Enviar"

Parámetros:

• Top K: Número de documentos a recuperar (1-5)
• Umbral: Similitud mínima requerida (0.0-1.0)

Opción 2: API Python

from rag_engine import preguntar

# Hacer una pregunta
respuesta = preguntar("What is the hospital email?", top_k=1, umbral=0.55)
print(respuesta)
# Output: "The hospital email is [email protected]."

Opción 3: Pruebas Locales

# Ejecutar ejemplos de prueba
python rag_engine.py

Opción 4: API Remota (Hugging Face)

from gradio_client import Client

client = Client("SorenMad/ChatRAG2")
result = client.predict(
    query="Where is the hospital located?",
    top_k=1,
    umbral=0.55,
    api_name="/ask"
)
print(result[0])  # Respuesta
print(result[1])  # Documentos recuperados

O ejecuta:

python tests/test_api.py

---

📚 Referencia de Funciones

recuperar_documentos(consulta, top_k=2, umbral=0.4)

Recupera documentos relevantes basados en similitud semántica.

Parámetros:

• consulta (str): Pregunta del usuario
• top_k (int): Número máximo de documentos a retornar
• umbral (float): Similitud mínima (0.0 - 1.0)

Retorna: Lista de textos de documentos relevantes

docs = recuperar_documentos("What is the hospital email?", top_k=2, umbral=0.4)
# Output: ['Document 1 text', 'Document 2 text']

generar_respuesta(consulta, documentos_recuperados)

Genera una respuesta usando los documentos como contexto.

Parámetros:

• consulta (str): Pregunta original
• documentos_recuperados (list): Documentos del paso anterior

Retorna: String con la respuesta generada

respuesta = generar_respuesta("What is the email?", docs)
# Output: "The hospital email is [email protected]."

preguntar(consulta, top_k=2, umbral=0.4)

Función completa que combina recuperación y generación.

respuesta = preguntar("What are the working hours?")
# Output: "The hospital's working hours are 7:00 AM - 8:00 PM daily."

---

📂 Estructura del Proyecto

├── app.py                          # Interfaz Gradio (web)
├── rag_engine.py                   # Motor RAG principal
├── documents.json                  # Base de conocimiento
├── requirements.txt                # Dependencias Python
├── README.md                       # Este archivo
├── LICENSE                         # Licencia MIT
├── tests/
│   └── test_api.py                 # Tests de API remota
└── teoria/
    └── crud_flask.py               # Código teórico (referencia)

---

🧪 Ejemplos de Uso

Pregunta 1: Email

Input:  "What is the hospital email?"
Output: "The hospital email is [email protected]."

Pregunta 2: Horarios

Input:  "What are the working hours?"
Output: "The hospital's working hours are 7:00 AM - 8:00 PM daily."

Pregunta 3: Ubicación

Input:  "Where is the hospital located?"
Output: "The hospital is located at xyz, abc, 1234, Nepal."

---

🌐 Despliegue en Hugging Face Spaces

El proyecto está ya desplegado y funcionando en:

• URL: https://huggingface.co/spaces/SorenMad/ChatRAG2
• Estado: ✅ Running
• API: Disponible y documentada

Para desplegar tu propia instancia:

1. Crear un Space en Hugging Face

   • Ir a https://huggingface.co/spaces
   • Crear nuevo Space con SDK "Gradio"

2. Clonar y actualizar el Space

   git clone https://huggingface.co/spaces/tu-usuario/tu-space
   cd tu-space
   cp app.py rag_engine.py documents.json requirements.txt .
   

3. Push de cambios

   git add .
   git commit -m "Deploy Chat RAG"
   git push
   

El Space se actualizará automáticamente.

---

⚙️ Configuración

Parámetros Recomendados

Para máxima precisión:

preguntar(consulta, top_k=2, umbral=0.55)

Para máxima cobertura:

preguntar(consulta, top_k=5, umbral=0.40)

Para respuestas rápidas:

preguntar(consulta, top_k=1, umbral=0.60)

Modelos Personalizados

Para usar otros modelos, edita rag_engine.py:

# Cambiar modelo de embeddings
embedding_model = SentenceTransformer("tu-modelo-aqui")

# Cambiar modelo de lenguaje
language_model = AutoModelForCausalLM.from_pretrained("tu-modelo-aqui")

---

📊 Arquitectura RAG

┌─────────────────┐
│  Pregunta       │
└────────┬────────┘
         │
         ▼
┌─────────────────────────────┐
│ 1. RECUPERACIÓN            │
│ (Embedding + Similitud)     │
└────────┬────────────────────┘
         │
         ▼ Documentos relevantes
┌─────────────────────────────┐
│ 2. GENERACIÓN              │
│ (LLM + Contexto)            │
└────────┬────────────────────┘
         │
         ▼
    ┌──────────┐
    │ Respuesta│
    └──────────┘

Recuperación:

• Convierte pregunta a embedding (768-dim)
• Calcula similitud coseno con documentos
• Filtra por umbral y retorna top-k

Generación:

• Inyecta documentos como contexto
• Pasa a modelo de lenguaje especializado
• Genera respuesta determinista (sin muestreo)

---

🔧 Requisitos

• Python 3.8+
• PyTorch
• Transformers
• Sentence-Transformers
• Scikit-learn
• Gradio
• NumPy

Ver requirements.txt para versiones exactas.

---

📝 Licencia

Este proyecto está bajo la licencia MIT. Ver archivo LICENSE para más detalles.

---

👨‍💻 Autor

Soren Madsen

• GitHub: @Soren-Madsen
• Proyecto: Práctica Final RA3 - Análisis Predictivo

---

📚 Referencias

• Hugging Face Spaces
• Gradio Documentation
• RAG Papers
• Sentence Transformers

---

Última actualización: Marzo 2026
Estado: ✅ Producción - Fully Functional