condo_gpt

Condominio GPT

Video

Condo GPT es un asistente inteligente para consultar y analizar datos de condominios en Miami. Utiliza el procesamiento del lenguaje natural para interpretar las preguntas del usuario y proporcionar información sobre edificios de condominios, unidades, ventas y tendencias del mercado. Proporcionada es una muestra de la base de datos de cubos de condominios que se puede utilizar para consultar los datos en los siguientes mercados:

• Playa sur
• Miami Beach
• Al sur de quinto

El propósito es permitir que los agentes e inversores inmobiliarios que no sean técnicos, realicen análisis y comparaciones de alto nivel de alto nivel de manera fácil y rápida en Miami, y lideren sus decisiones de inversión. Actualmente, este trabajo es realizado por analistas que se les paga un salario, por lo que herramientas como estas tienen el potencial de ahorrar casas de bolsa miles de dólares por mes en salario.

Obtenga un trabajo de ingeniero de IA | Que contribuye

Usé esto como un proyecto de cartera para conseguir mi primer trabajo de ingeniero de IA. He enumerado algunos problemas que puede resolver o enviar sus propios relaciones públicas para mejoras en la herramienta. Las contribuciones de código abierto son una muy buena manera de obtener trabajos de IA ya que tecnologías como Langchain son muy nuevas, y muchas compañías actualmente no requieren experiencia laboral con ellas.

No dude en enviar una solicitud de extracción.

Características

• Interfaz del lenguaje natural para consultar datos de condominios
• Integración con la API de Google Maps para consultas basadas en la ubicación
• Generación SQL dinámica para consultas de bases de datos complejas
• Mapas y gráficos interactivos para la visualización de datos
• Capacidad de generación de informes PDF

Tecnologías utilizadas

• Python 3.x
• Marco web de Flask
• Base de datos PostgreSQL
• Agentes de Langchain y Langgraph
• Modelos GPT de Openai para la comprensión del lenguaje natural
• API de Google Maps para geocodificación y direcciones
• Chart.js para la visualización de datos
• ReportLab para la generación PDF

Configuración

1. Clonar el repositorio
2. Preparar el entorno y la base de datos

• virtualenv gpt_env
• Inicie sesión en PSQL como Superuser (sudo -u Postgres PSQL en Linux)
• CREATE DATABASE condo_gpt ; CREATE USER readonly_user WITH PASSWORD 'password'; GRANT CONNECT ON DATABASE condo_gpt TO readonly_user; GRANT USAGE ON SCHEMA public TO readonly_user; GRANT SELECT ON ALL TABLES IN SCHEMA public TO readonly_user; ALTER DEFAULT PRIVILEGES IN SCHEMA public GRANT SELECT ON TABLES TO readonly_user; q

3. Edite su archivo gpt_env/bin/activate y agregue las siguientes variables de entorno

• GPLACES_API_KEY : su tecla API de Google Places
• OPENAI_API_KEY : su tecla API OpenAI
• FLASK_SECRET : frase secreta de frasco (puede ser cualquier cadena)
• PG_USER : su usuario de Postgres que configura anteriormente
• PG_PASSWORD : contraseña para su usuario de Postgres
• PG_PORT : puerto para su servidor de base de datos Postgres (predeterminado 5432)
• PG_DB : Nombre de su base de datos Postgres

4. Configurar los datos de la muestra

• Asegúrese de estar en el mismo directorio que Sample_DB.SQL
• psql -d condo_gpt < sample_db.sql

5. Instalar dependencias:

• source gpt_env/bin/activate
• pip install -r requirements.txt

6. Inicie la aplicación python server.py

Ejecutando la aplicación

1. Inicie el servidor Flask: python server.py
2. Abra un navegador web y navegue a http://localhost:5000

Uso

• Ingrese preguntas de lenguaje natural sobre los condominios de Miami en el campo de entrada
• El sistema interpretará su pregunta, consultará la base de datos y proporcionará respuestas relevantes.
• Para consultas basadas en la ubicación, se pueden generar mapas interactivos
• El sistema puede crear gráficos y gráficos para la visualización de datos
• Se pueden generar informes PDF para un análisis más detallado
• Use el botón 'Borrar memoria' para borrar el historial de conversación

Ejemplo de secuencia de inmediato

• ¿Qué edificios en Collins tuvieron la mayor cantidad de ventas en 2023?
• Generar un gráfico de estos datos
• Poner los datos en una tabla HTML
• Agregue una tercera columna con el volumen total de ventas de cada edificio
• Agregue una cuarta columna con el precio de venta medio para cada edificio
• Reemplace la tercera columna con la escuela más cercana al edificio y la cuarta columna con la distancia de conducción a esa escuela desde el edificio

Estructura de proyectos

• server.py : Flask Application Server
• main.py : lógica central para procesar preguntas y generar respuestas
• tools.py : herramientas personalizadas para consultas de bases de datos e interacciones API
• prefix.py : prefijo de mensajes del sistema para el agente de IA
• boilerplate.py : código de boilerplate para la generación de mapas y gráficos