🔍 Acceder y comprender la información de una base de datos SQL puede ser desafiante para aquellos sin experiencia técnica. Sin embargo, los modelos de lenguaje avanzados y las nuevas tecnologías de Inteligencia Artificial disponibles en la nube, nos permiten crear herramientas para solventar esta situación.
💡 Por eso, nuestro ChatBot EvaSQL, tiene como objetivo facilitar el acceso a la información y la interpretación de los datos mediante la generación de consultas SQL y gráficos interactivos a partir de lenguaje natural. Todo esto se realiza a través de una interfaz amigable que simplifica la interacción con la base de datos, permitiendo a los usuarios realizar consultas y obtener respuestas de manera rápida y eficiente.
- Interfaz Intuitiva: Conversa con el ChatBot como lo harías con un amigo, sin necesidad de comandos complicados.
- Traducción a SQL: Transforma consultas en lenguaje natural a consultas SQL comprensibles para la base de datos.
- Generación de Gráficos: Crea gráficos interactivos a partir de los resultados de las consultas para una visualización clara de los datos.
- Soporte Multilingüe: Accede al ChatBot en tu idioma preferido para una experiencia personalizada.
- Servicio de Voz: Formula consultas y recibe respuestas utilizando tu voz.
- Versión Dockerizada: Despliega el ChatBot fácilmente en cualquier entorno gracias a su versión dockerizada.
- Despliegue en Azure: Accede al ChatBot desde cualquier dispositivo autorizado mediante un enlace o código QR.
-
Clona o descarga el repositorio desde GitHub:
git clone https://github.com/AI-School-F5-P2/Scalianchat_SQL.git
-
Instala las dependencias necesarias:
pip install -r requirements.txt
-
Crea el archivo .env con las API keys necesarias para establecer las conexiones con los servicios de Azure.
-
Ejecuta el script para iniciar la interfaz en Streamlit del ChatBot:
streamlit run str_interface.py
-
Interactua con el ChatBot escribiendo tus consultas en lenguaje natural o activando el micrófono para hablar.
-
Visualiza los resultados de las consultas en forma de texto y/o gráficos interactivos.
- data_cleaning.ipynb: Notebook para la limpieza de datos del dataset original.
- azure_db.py: Script para la creación de tablas en Azure SQL Database y carga de datos.
- json_emb_files_generator.ipynb: Notebook para la generación de documentos JSON para Azure AI Search.
- azure_search.ipynb: Configura, crea el índice en Azure AI Search y sube los documentos JSON generados.
- rag_openai.py: Configuración de llamadas a la API de Azure OpenAI.
- str_interface.py: Programa principal e interfaz en Streamlit.
- README.md: Documentación detallada sobre el proyecto.
- requirements.txt: Dependencias necesarias para la versión dockerizada.
👩🏻💻 Karla Lamus Oliveros
👩🏼💻 Ana Gómez Giraldo
Agradecemos especialmente a Scalian y Factoría F5 por su apoyo y acompañamiento durante el desarrollo de este proyecto.