my-cool-model

🍺 Sommelier de Cervejas IA (Local RAG)

Este projeto é um sistema de recomendação inteligente construído com arquitetura Retrieval-Augmented Generation (RAG). Ele atua como um sommelier virtual capaz de sugerir cervejas artesanais com base em características sensoriais (aroma, paladar, aparência e estilo), garantindo privacidade total de dados e zero custo com APIs externas por rodar de forma 100% local.

🏗️ Arquitetura do Sistema

O pipeline foi desenhado com foco em melhores práticas de Engenharia de Machine Learning, dividido nas seguintes camadas:

• 1. Engenharia de Dados (ETL e Contexto Sintético):

  • Limpeza e processamento de dados estruturados (milhares de avaliações de cervejas) utilizando Pandas.
  • Tratamento de valores ausentes (ex: ABV desconhecido) no back-end para evitar alucinações do modelo.
  • Transformação de colunas tabulares em "Textos Sintéticos" para maximizar a captura semântica durante a vetorização.

• 2. Base de Conhecimento Vetorial:

  • Servidor de banco de dados vetorial ChromaDB conteinerizado e orquestrado via Docker (docker-compose), garantindo persistência em disco.
  • Geração de embeddings matemáticos com modelos leves da Hugging Face (sentence-transformers/all-MiniLM-L6-v2) processados diretamente na CPU local.

• 3. Geração e Orquestração (Local LLM):

  • Busca semântica avançada para recuperar o contexto ideal.
  • Inferência de texto gerada pelo Llama 3.2 rodando através do motor Ollama.
  • Integração construída com LangChain, aplicando Engenharia de Prompt rigorosa e Guardrails de formatação para evitar o "efeito papagaio" e mascarar dados faltantes antes de chegarem ao usuário.

• 4. Interface de Usuário (Front-End):

  • Painel web interativo desenvolvido puramente em Streamlit.
  • Controles de MLOps expostos para o usuário final, como o ajuste dinâmico da Temperatura do modelo.
  • Auditoria de linhagem de dados embutida (visualização dos metadados brutos recuperados pelo ChromaDB).

🛠️ Stack Tecnológico

• Linguagem: Python
• LLM Engine: Ollama (Llama 3.2)
• Vector DB: ChromaDB (via Docker)
• Embeddings & NLP: LangChain, HuggingFace (sentence-transformers)
• Processamento de Dados: Pandas
• Frontend web: Streamlit

💡 Exemplos de Uso no Chat

Ao executar a aplicação, você pode experimentar buscas que correlacionam estilo, sabor e sensações, como:

"Estou procurando uma Double IPA bem avaliada, de preferência com um perfil parecido com lúpulo Citra." "Quero uma cerveja forte e rústica, na linha de uma Brett Strong Ale, com um ABV elevado." "Recomende uma cerveja leve e refrescante com alta nota de paladar, perfeita para o verão."

🚀 Como Executar o Projeto

1. Suba o servidor do banco de dados vetorial:

   docker-compose up -d
   

2. Faça a ingestão e vetorização do catálogo de cervejas:

   python data_pipeline/ingest_vectors.py
   

3. Inicie a interface web do Sommelier:

   streamlit run app.py