Medical_ChatBot
1.0.0
يقوم هذا المشروع ببناء chatbot طبي يسترجع المعلومات من كتاب PDF طبي ويستخدم langchain للمعالجة والثاني من أجل استرجاع المعلومات الفعالة.
from langchain_community . embeddings import HuggingFaceEmbeddings
from langchain_community . document_loaders import PyPDFLoader
from langchain . text_splitter import RecursiveCharacterTextSplitter
def create_knowledge_base ( pdf_path ):
# Load PDF text
loader = PyPDFLoader ( pdf_path , glob = "*.pdf" )
text_data = loader . load ()
# Text processing and chunking
text_splitter = RecursiveCharacterTextSplitter ( chunk_size = 500 , chunk_overlap = 20 )
text_chunks = text_splitter . split_documents ( text_data )
# Download Llama2 embeddings (or your chosen model)
embeddings = HuggingFaceEmbeddings ( model_name = "sentence-transformers/all-MiniLM-L6-v2" )
# Generate embeddings for each text chunk
# ... (code to generate embeddings for each chunk using embeddings object)
# Store text chunks and embeddings in a data structure (e.g., list of dictionaries)
knowledge_base = []
for i , chunk in enumerate ( text_chunks ):
chunk_embedding = embeddings . encode ( chunk ) # Generate embedding for the chunk
knowledge_base . append ({
"text" : chunk ,
"embedding" : chunk_embedding
})
return knowledge_base from langchain_pinecone import PineconeVectorStore
from pinecone . data . index import Index
from dotenv import load_dotenv
import os
def store_knowledge_base_in_pinecone ( knowledge_base ):
load_dotenv ()
PINECONE_API_KEY = os . getenv ( "PINECONE_API_KEY" )
PINECONE_ENV = os . getenv ( "PINECONE_ENV" )
PINECONE_INDEX_NAME = os . getenv ( "PINECONE_INDEX_NAME" )
# Connect to Pinecone
pc = pinecone . Pinecone ( api_key = PINECONE_API_KEY , environment = PINECONE_ENV )
index = pc . Index ( PINECONE_INDEX_NAME )
# Extract text and embeddings from knowledge base
text_data = [ kb [ "text" ] for kb in knowledge_base ]
embeddings = [ kb [ "embedding" ] for kb in knowledge_base ]
# Store embeddings in Pinecone
PineconeVectorStore . from_documents ( text_data , embeddings , index_name = PINECONE_INDEX_NAME )
print ( f"Knowledge base stored in Pinecone index: { PINECONE_INDEX_NAME } " ) # This section is a placeholder as the full chatbot development requires additional libraries
# like Rasa or Dialogflow. Here's a basic outline to illustrate the concept.
def chatbot_loop ():
while True :
user_query = input ( "Ask me a medical question (or type 'quit' to exit): " )
if user_query . lower () == "quit" :
break
# Process user query (similar to text processing in knowledge base creation)
processed_query = # (code to clean and process the user query)
# Generate embedding for the user query
query_embedding = embeddings . encode ( processed_query )
# Retrieve similar text snippets from Pinecone using query embedding
similar_results = retrieve_from_pinecone ( query_embedding )
# Extract and present relevant information to the user
if similar_results :
for result in similar_results :
print ( f"Relevant Information: { result [ 'text' ] } " )
else :
print ( "Sorry, I couldn't find any information related to your question." )يعرض هذا المشروع إمكانات Langchain و Pinecone في إنشاء chatbot طبي يوفر وسيلة يمكن الوصول إليها وفعالة للوصول إلى المعلومات الطبية وفهمها. تذكر أن تتكيف مع هذا المفهوم وتوسعها لتناسب الاحتياجات المحددة لكتاب PDF الطبي والوظائف المطلوبة.
لإعداد مشروع متجر Langchain Pinecone Vector Store ، اتبع هذه الخطوات:
استنساخ المستودع:
git clone https://github.com/ < username > / < repository > .git
cd < repository >تثبيت التبعيات:
pip install -r requirements.txtتكوين متغيرات البيئة:
قم بإنشاء ملف .env في دليل الجذر وحدد المتغيرات التالية:
PINECONE_API_KEY=<your_pinecone_api_key>
PINECONE_ENV=<pinecone_environment>
PINECONE_INDEX_NAME=<pinecone_index_name>
لتخزين المتجهات في قاعدة بيانات Pinecone Vector ، قم بتنفيذ الأمر التالي:
python store_vectors.pyيتم تشجيع وتقدير المساهمات في مشروع متجر Langchain Pinecone Vector Store! إذا كانت لديك أفكار للتحسينات أو إصلاحات الأخطاء أو الميزات الجديدة ، فيرجى إرسال طلب سحب. تأكد من اتباع إرشادات المساهمة الموضحة في المستودع.
تم ترخيص هذا المشروع بموجب ترخيص معهد ماساتشوستس للتكنولوجيا ، والذي يسمح للاستخدام غير المقيد والتوزيع والتعديل ، مع مراعاة الشروط والأحكام المحددة في اتفاقية الترخيص.
