Medical_ChatBot
1.0.0
โครงการนี้สร้าง chatbot ทางการแพทย์ที่ดึงข้อมูลจากหนังสือ PDF ทางการแพทย์และใช้ Langchain สำหรับการประมวลผลและ pinecone สำหรับการดึงข้อมูลที่มีประสิทธิภาพ
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." )โครงการนี้แสดงให้เห็นถึงศักยภาพของ Langchain และ Pinecone ในการสร้างแชทบ็อตทางการแพทย์ที่เสนอวิธีที่เข้าถึงได้และมีประสิทธิภาพในการเข้าถึงและทำความเข้าใจข้อมูลทางการแพทย์ อย่าลืมปรับและขยายตามแนวคิดนี้เพื่อให้เหมาะกับความต้องการเฉพาะของหนังสือ PDF ทางการแพทย์ของคุณและฟังก์ชั่นที่ต้องการ
หากต้องการตั้งค่าโครงการร้านค้าเวกเตอร์ Pinecone Langchain ให้ทำตามขั้นตอนเหล่านี้:
โคลนที่เก็บ:
git clone https://github.com/ < username > / < repository > .git
cd < repository >ติดตั้งการพึ่งพา:
pip install -r requirements.txtกำหนดค่าตัวแปรสภาพแวดล้อม:
สร้างไฟล์ .env ในไดเรกทอรีรูทและระบุตัวแปรต่อไปนี้:
PINECONE_API_KEY=<your_pinecone_api_key>
PINECONE_ENV=<pinecone_environment>
PINECONE_INDEX_NAME=<pinecone_index_name>
ในการจัดเก็บเวกเตอร์ในฐานข้อมูลเวกเตอร์ Pinecone ให้ดำเนินการคำสั่งต่อไปนี้:
python store_vectors.pyการสนับสนุนโครงการร้านค้าเวกเตอร์ Pinecone Langchain ได้รับการสนับสนุนและชื่นชม! หากคุณมีแนวคิดสำหรับการปรับปรุงการแก้ไขข้อผิดพลาดหรือคุณสมบัติใหม่โปรดส่งคำขอดึง อย่าลืมทำตามแนวทางการบริจาคที่ระบุไว้ในที่เก็บ
โครงการนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT ซึ่งอนุญาตให้ใช้งานการแจกจ่ายและการปรับเปลี่ยนที่ไม่ จำกัด ภายใต้ข้อกำหนดและเงื่อนไขที่ระบุไว้ในข้อตกลงใบอนุญาต
