Команда Kit-kat

Кейс "Вопросно-ответная система по технической документации"

Описание проекта

Этот репозиторий содержит исходный код и ресурсы для веб-сервиса, который собирает информацию и генерирует ответы на вопросы пользователей, анализируя текст и/или код, с возможностью регулярного дообучения

Архитектура решения Технологии

• ML Pipline: ruRoBERTa-large, CatBoost, YandexGPT 3
• Веб-приложение: React, Node JS
• Балансировка нагрузки: Traefik

Использование

• 1 вариант
  • Перейдите по ссылке и наслаждайтесь web-сервисом
• 2 вариант, в docker
  • Клонируйте репозиторий: git clone https://github.com/ikanam-ai/Qna-system-for-technical-documentation.git
  • перейдите в папку scfo: cd scfo
  • запустить все миикросервисы из docker-compose: docker-compose up
• 3 вариант
  • Перейдите по ссылке и наслаждайтесь TG-ботом

---

Screencast наших сервисов

---

Пример работы web-сервиса

Часть 1:

Часть 2:

Пример работы TG-бота

Часть 1:

Часть 2:

Часть 3:

---

A short description of the project.

Project Organization

├── data
│
│
├── models             <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks          <- Jupyter notebooks. Naming convention is a number (for ordering),
│                         the creator's initials, and a short `-` delimited description, e.g.
│                         `1.0-jqp-initial-data-exploration`.
│
├── pyproject.toml     <- Project configuration file with package metadata for scfo
│                         and configuration for tools like black
│
│
│
├── requirements.txt   <- The requirements file for reproducing the analysis environment, e.g.
│                         generated with `pip freeze > requirements.txt`
│
├── setup.cfg          <- Configuration file for flake8
│
└── scfo                <- Source code for use in this project.
    │
    ├── __init__.py    <- Makes scfo a Python module
    │
    ├── data           <- Scripts to download or generate data
    │   └── make_dataset.py
    │
    ├── features       <- Scripts to turn raw data into features for modeling
    │   └── build_features.py
    │
    ├── models         <- Scripts to train models and then use trained models to make
    │   │                 predictions
    │   ├── predict_model.py
    │   └── train_model.py
    │
    └── visualization  <- Scripts to create exploratory and results oriented visualizations
        └── visualize.py

---