condo_gpt

Condo gpt

Vidéo

Condo GPT est un assistant intelligent pour interroger et analyser les données de copropriété à Miami. Il utilise le traitement du langage naturel pour interpréter les questions des utilisateurs et fournir des informations sur les bâtiments de condo, les unités, les ventes et les tendances du marché. Fourni un échantillon de la base de données Condo Cube qui peut être utilisé pour interroger les données sur les marchés suivants:

• Plage sud
• Plage de Miami
• Au sud du cinquième

Le but est de permettre aux agents immobiliers et aux investisseurs qui ne soient pas techniques, d'effectuer facilement et rapidement des analyses de haut niveau et des comparaisons de condos à Miami, et de diriger leurs décisions d'investissement. Actuellement, ce travail est effectué par des analystes qui reçoivent un salaire, de sorte que des outils comme ceux-ci ont le potentiel d'économiser des courtages de courtage de milliers de dollars par mois en salaire.

Obtenez un travail d'ingénieur AI | Contributif

J'ai utilisé cela comme un projet de portefeuille pour obtenir mon premier travail d'ingénieur AI. J'ai énuméré quelques problèmes que vous pouvez résoudre ou soumettre vos propres relations publiques pour améliorer l'outil. Les contributions open source sont un très bon moyen d'obtenir des emplois d'IA, car les technologies comme Langchain sont si nouvelles et de nombreuses entreprises ne nécessitent actuellement pas d'expérience de travail avec elles.

N'hésitez pas à soumettre une demande de traction.

Caractéristiques

• Interface en langage naturel pour interroger les données de condos
• Intégration avec l'API Google Maps pour les requêtes basées sur la localisation
• Génération dynamique SQL pour les requêtes de base de données complexes
• Cartes et graphiques interactifs pour la visualisation des données
• Capacité de génération de rapport PDF

Technologies utilisées

• Python 3.x
• Framework Web Flask
• Base de données PostgreSQL
• Agents Langchain & Langgraph
• Modèles GPT d'Openai pour la compréhension du langage naturel
• Google Maps API pour le géocodage et les directions
• Chart.js pour la visualisation des données
• ReportLab pour la génération PDF

Installation

1. Cloner le référentiel
2. Préparer l'environnement et la base de données

• Virtualenv gpt_env
• Connectez-vous à PSQL en tant que superutilisateur (Sudo -U Postgres PSQL sur 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. Modifiez votre fichier gpt_env/bin/activate et ajoutez les variables d'environnement suivantes

• GPLACES_API_KEY : Votre clé API Google Places
• OPENAI_API_KEY : votre clé API Openai
• FLASK_SECRET : FLASK SECRET PHRASE (peut être n'importe quelle chaîne)
• PG_USER : Votre utilisateur de Postgres que vous avez configuré ci-dessus
• PG_PASSWORD : mot de passe pour votre utilisateur postgres
• PG_PORT : Port pour votre serveur de base de données Postgres (par défaut 5432)
• PG_DB : Nom de votre base de données Postgres

4. Configurer les exemples de données

• Assurez-vous que vous êtes dans le même répertoire que Sample_DB.SQL
• psql -d condo_gpt < sample_db.sql

5. Installez les dépendances:

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

6. Démarrer l'application python server.py

Exécution de l'application

1. Démarrer le serveur FLASK: python server.py
2. Ouvrez un navigateur Web et accédez à http://localhost:5000

Usage

• Entrez des questions en langage naturel sur les condos de Miami dans le domaine de l'entrée
• Le système interprétera votre question, interrogera la base de données et fournira des réponses pertinentes
• Pour les requêtes basées sur la localisation, des cartes interactives peuvent être générées
• Le système peut créer des graphiques et des graphiques pour la visualisation des données
• Des rapports PDF peuvent être générés pour une analyse plus détaillée
• Utilisez le bouton «Effacer la mémoire» pour effacer l'historique de la conversation

Exemple de séquence d'invite

• Quels bâtiments sur Collins ont eu le plus de ventes en 2023?
• Générer un graphique de ces données
• Mettez les données dans une table HTML
• Ajouter une troisième colonne avec le volume de vente total de chaque bâtiment
• Ajoutez une quatrième colonne avec le prix de vente médian pour chaque bâtiment
• Remplacez la troisième colonne par l'école la plus proche du bâtiment et la quatrième colonne par la distance en voiture de cette école du bâtiment

Structure du projet

• server.py : serveur d'applications FLASK
• main.py : logique de base pour le traitement des questions et la génération de réponses
• tools.py : outils personnalisés pour les interactions de requête de base de données et d'API
• prefix.py : préfixe de message système pour l'agent AI
• boilerplate.py : code de chaudron pour la génération de cartes et de graphiques