condo_gpt

Condomínio Gpt

Vídeo

O condomínio GPT é um assistente inteligente para consultar e analisar dados de condomínio em Miami. Ele usa processamento de linguagem natural para interpretar as questões do usuário e fornecer informações sobre edifícios de condomínios, unidades, vendas e tendências de mercado. Fornecido é uma amostra do banco de dados do Condo Cube que pode ser usado para consultar dados nos seguintes mercados:

• South Beach
• Miami Beach
• Ao sul de quinto

O objetivo é permitir que agentes imobiliários e investidores que não sejam técnicos, com facilidade e rapidez, realizem análises e comparações de alto nível de condomínios em Miami e liderem suas decisões de investimento. Atualmente, este trabalho é realizado por analistas que recebem um salário, portanto, ferramentas como essas têm o potencial de salvar corretoras milhares de dólares por mês em salário.

Obtenha um emprego de engenheiro de IA | Contribuindo

Eu usei isso como um projeto de portfólio para conseguir meu primeiro trabalho de engenheiro de IA. Listei alguns problemas que você pode resolver ou enviar seus próprios PRs para melhorias na ferramenta. As contribuições de código aberto são uma maneira muito boa de obter empregos de IA, já que tecnologias como o Langchain são tão novas, e muitas empresas atualmente não exigem experiência de trabalho com elas.

Sinta -se à vontade para enviar uma solicitação de tração.

Características

• Interface de linguagem natural para consultar dados do condomínio
• Integração com a API do Google Maps para consultas baseadas em localização
• Geração SQL dinâmica para consultas de banco de dados complexas
• Mapas e gráficos interativos para visualização de dados
• Capacidade de geração de relatório em PDF

Tecnologias usadas

• Python 3.x
• Framework da Web Flask
• Banco de dados PostgreSQL
• Agentes Langchain e Langgraph
• Modelos GPT da OpenAI para compreensão da linguagem natural
• API do Google Maps para geocodificação e direções
• Chart.js para visualização de dados
• Relatóriolab para geração em PDF

Configurar

1. Clone o repositório
2. Prepare o ambiente e o banco de dados

• virtualenv gpt_env
• Faça login no PSQL como SuperUser (Sudo -u Postgres PSQL no 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 seu arquivo gpt_env/bin/activate e adicione as seguintes variáveis ​​de ambiente

• GPLACES_API_KEY : sua chave da API do Google Places
• OPENAI_API_KEY : sua chave de API do OpenAI
• FLASK_SECRET : frase secreta do Flask (pode ser qualquer string)
• PG_USER : seu usuário do PostGres que você configurou acima
• PG_PASSWORD : senha para o seu usuário do Postgres
• PG_PORT : Porta para o seu servidor de banco de dados PostGres (padrão 5432)
• PG_DB : Nome do seu banco de dados PostGres

4. Configure os dados da amostra

• Certifique -se de que você está no mesmo diretório que Sample_DB.SQL
• psql -d condo_gpt < sample_db.sql

5. Instale dependências:

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

6. Inicie o aplicativo python server.py

Executando o aplicativo

1. Inicie o Flask Server: python server.py
2. Abra um navegador da web e navegue para http://localhost:5000

Uso

• Digite questões de linguagem natural sobre condomínios de Miami no campo de entrada
• O sistema interpretará sua pergunta, consultará o banco de dados e fornecerá respostas relevantes
• Para consultas baseadas em localização, mapas interativos podem ser gerados
• O sistema pode criar gráficos e gráficos para visualização de dados
• Relatórios em PDF podem ser gerados para análise mais detalhada
• Use o botão 'Clear Memory' para limpar o histórico de conversas

Exemplo de sequência imediata

• Quais edifícios em Collins tiveram mais vendas em 2023?
• Gerar um gráfico desses dados
• Coloque os dados em uma tabela HTML
• Adicione uma terceira coluna com o volume total de vendas de cada edifício
• Adicione uma quarta coluna com o preço médio de venda de cada edifício
• Substitua a terceira coluna pela escola mais próxima do prédio e a quarta coluna com a distância de condução da escola do prédio

Estrutura do projeto

• server.py : Flask Application Server
• main.py : Lógica principal para processar perguntas e gerar respostas
• tools.py : Ferramentas personalizadas para consulta de banco de dados e interações da API
• prefix.py : prefixo da mensagem do sistema para o agente da IA
• boilerplate.py : Código Boilerplate para geração de mapa e gráfico