File size: 11,047 Bytes
68c0ddf 29e28a9 68c0ddf 29e28a9 9c7a51d 68c0ddf 29e28a9 68c0ddf 29e28a9 68c0ddf 9c7a51d fe85f67 9c7a51d 776debf 9c7a51d 68c0ddf 69a3eef 68c0ddf 69a3eef 68c0ddf 69a3eef 68c0ddf 69a3eef 68c0ddf 69a3eef 68c0ddf 69a3eef 68c0ddf 759344d 68c0ddf 69a3eef 68c0ddf 29e28a9 68c0ddf c5c4068 9c7a51d 1bdae8f 9c7a51d 1bdae8f 9c7a51d 1bdae8f 9c7a51d 1bdae8f 9c7a51d 1bdae8f 9c7a51d 1bdae8f 9c7a51d 29e28a9 150bf43 68c0ddf 9c7a51d 2465967 8de938b 9c7a51d 8de938b 68c0ddf 29e28a9 9c7a51d 82da0f2 e73b51f 68c0ddf 9c7a51d 68c0ddf |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 |
# -*- coding: utf-8 -*-
from transformers import AutoTokenizer, AutoModelForCausalLM
from sentence_transformers import SentenceTransformer, util
import numpy as np
import joblib
import torch
import gradio as gr
import os
import re
# === Cargar modelos entrenados ===
modelo_riesgo = joblib.load("modelo_riesgo.pkl")
modelo_violencia = joblib.load("modelo_tipo_violencia.pkl")
modelo_medida = joblib.load("modelo_tipo_medida.pkl")
codificadores = joblib.load("codificadores_label_encoder.pkl")
modelo_vector = SentenceTransformer("Snowflake/snowflake-arctic-embed-xs")
# === Cargar modelo de lenguaje Mistral 7B Instruct ===
model_id = "mistralai/Mistral-7B-Instruct-v0.1"
tokenizer = AutoTokenizer.from_pretrained(
model_id,
token=os.environ.get("HF_TOKEN")
)
model = AutoModelForCausalLM.from_pretrained(
model_id,
token=os.environ.get("HF_TOKEN"),
torch_dtype=torch.bfloat16 if torch.cuda.is_available() else torch.float32,
device_map="auto"
)
# === CSS personalizado Externado ===
css_externado = """
@import url('https://fonts.googleapis.com/css2?family=Roboto&display=swap');
body {
background-color: #004225;
font-family: 'Roboto', sans-serif;
}
.gr-button {
background-color: #004225 !important;
color: white !important;
}
.gr-button:hover {
background-color: white !important;
}
.gr-input, .gr-output {
background-color: white !important;
}
"""
# === Frases prototipo para verificador semántico ===
frases_fisica = [
"Me golpeó con el puño cerrado",
"Me pateó",
"Me lanzó contra la pared",
"Me estranguló",
"Me fracturó una costilla",
"Me tiró al piso violentamente"
]
frases_sexual = [
"Me obligó a tener relaciones sexuales",
"Me tocó sin consentimiento",
"Me violó",
"Me forzó a tener sexo",
"Me agredió sexualmente"
]
frases_economica = [
"No me da dinero",
"Me quita mi salario",
"Me retiene los recursos económicos",
"No me deja trabajar",
"Me obliga a depender económicamente"
]
frases_psicologica = [
"Me insulta todo el tiempo",
"Me amenaza constantemente",
"Me humilla frente a los niños",
"Me hace sentir inútil",
"Me controla emocionalmente"
]
frases_negligencia = [
"No me brinda atención médica",
"No cuida a los hijos",
"Me deja sin alimentos",
"No se preocupa por mi salud",
"Ignora mis necesidades básicas"
]
# === Embeddings de referencia ===
embeds_fisica = modelo_vector.encode(frases_fisica)
embeds_sexual = modelo_vector.encode(frases_sexual)
embeds_economica = modelo_vector.encode(frases_economica)
embeds_psicologica = modelo_vector.encode(frases_psicologica)
embeds_negligencia = modelo_vector.encode(frases_negligencia)
# === Verificador semántico completo ===
def verificar_semantico(descripcion):
emb_desc = modelo_vector.encode(descripcion)
tipos_detectados = []
if max(util.cos_sim(emb_desc, embeds_fisica)[0]) > 0.8:
tipos_detectados.append("física")
if max(util.cos_sim(emb_desc, embeds_sexual)[0]) > 0.9:
tipos_detectados.append("sexual")
if max(util.cos_sim(emb_desc, embeds_economica)[0]) > 0.85:
tipos_detectados.append("económica")
if max(util.cos_sim(emb_desc, embeds_psicologica)[0]) > 0.85:
tipos_detectados.append("psicológica")
if max(util.cos_sim(emb_desc, embeds_negligencia)[0]) > 0.85:
tipos_detectados.append("negligencia")
return tipos_detectados
# === FUNCIÓN PRINCIPAL ===
def predecir_con_recomendacion(edad, genero, hijos, convivencia_agresor, consumo_sustancias, apoyo_familiar, descripcion):
# Codificar variables tabulares
vector_tabular = np.array([
int(edad),
int(hijos),
codificadores["genero"].transform([genero])[0],
0, 0, 0,
codificadores["convivencia_agresor"].transform([convivencia_agresor])[0],
codificadores["consumo_sustancias"].transform([consumo_sustancias])[0],
codificadores["apoyo_familiar"].transform([apoyo_familiar])[0]
])
# Vectorizar descripción
vector_desc = modelo_vector.encode([descripcion])[0]
entrada = np.concatenate([vector_tabular, vector_desc])
# Modelos clásicos
riesgo_cod = modelo_riesgo.predict([entrada])[0]
tipo_violencia_cod = modelo_violencia.predict([entrada])[0]
tipo_medida_cod = modelo_medida.predict([entrada])[0]
# Decodificación
riesgo = codificadores["riesgo"].inverse_transform([riesgo_cod])[0]
tipo_violencia_pred = codificadores["tipo_violencia"].inverse_transform([tipo_violencia_cod])[0]
tipo_medida = codificadores["tipo_medida"].inverse_transform([tipo_medida_cod])[0]
# Verificador semántico
tipos_semantico = verificar_semantico(descripcion)
# Unir modelo + semántico sin duplicados
tipos_combinados = list(set([tipo_violencia_pred] + tipos_semantico))
tipos_str = ", ".join(tipos_combinados)
messages = [
{
"role": "system",
"content": "Eres un jurista colombiano experto en violencia intrafamiliar."
},
{
"role": "user",
"content": f"""
Analiza este caso y redacta un Auto de Medida Provisional conforme a la Ley 575 de 2000 y la Ley 1257 de 2008.
Hechos del caso:
Tipo de violencia: {tipos_str}
Nivel de riesgo: {riesgo}
Medida de protección sugerida: {tipo_medida}
Descripción detallada: {descripcion}
Redacta el Auto con esta estructura formal:
CONSIDERACIONES:
- Relación breve de los hechos y valoración del riesgo.
- Fundamentos jurídicos aplicables. Cita únicamente el Artículo 5 de la Ley 575 de 2000 y los Artículos 16 y 17 de la Ley 1257 de 2008 si corresponde.
- Justificación breve de cada medida, indicando los literales aplicables del Artículo 5 de la Ley 575 de 2000 (identificados por letra).
RESUELVE:
PRIMERO: Admitir la solicitud.
II, III, IV, V, etc.: Ordenar cada medida de protección en un párrafo separado, numerando en números romanos.
ÚLTIMO: Cúmplase y notifíquese.
Utiliza únicamente estas expresiones para nombrar las medidas si corresponden:
- Prohibición de acercamiento.
- Prohibición de contacto.
- Protección de la residencia.
- Acompañamiento policial.
- Prohibición de consumo de alcohol.
No uses términos como 'nominar' o 'nombrar medidas'.
A continuación, algunos literales del Artículo 5 de la Ley 575 de 2000 (solo para tu referencia, no los copies literalmente):
Literal a): Ordenar al agresor el desalojo inmediato de la casa de habitación que comparte con la víctima.
Literal b): Ordenar al agresor abstenerse de penetrar en cualquier lugar donde se encuentre la víctima.
Literal c): Ordenar al agresor abstenerse de comunicarse con la víctima por cualquier medio.
Literal d): Ordenar la protección de la víctima por la autoridad de policía.
Literal h): Ordenar al agresor abstenerse de consumir bebidas alcohólicas o sustancias psicoactivas.
No incluyas estos ejemplos en la respuesta final.
No menciones violencia económica ni sexual salvo que se describa expresamente en los hechos.
Redacta cada justificación en una sola frase única, sin repetir fundamentos.
Limita todo el texto a un máximo de 300 palabras.
Usa un estilo claro, formal y coherente.
"""
}
]
# Aplicar chat template
encoded = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
# Generar salida
generated_ids = model.generate(
encoded,
max_new_tokens=1000,
do_sample=False,
temperature=0.2
)
# Decodificar
decoded = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
auto_completo = decoded[0].strip()
# Recortar desde "CONSIDERACIONES"
inicio = auto_completo.find("CONSIDERACIONES")
if inicio != -1:
auto_redactado = auto_completo[inicio:]
else:
auto_redactado = auto_completo
# Eliminar líneas duplicadas
lineas = auto_redactado.splitlines()
lineas_sin_duplicados = []
vistos = set()
for linea in lineas:
if linea.strip() and linea.strip() not in vistos:
lineas_sin_duplicados.append(linea)
vistos.add(linea.strip())
auto_redactado = "\n".join(lineas_sin_duplicados)
# Renumerar medidas en números romanos
romanos = ["I","II", "III", "IV", "V", "VI", "VII", "VIII", "IX", "X"]
lineas = auto_redactado.splitlines()
contador = 0
for i, linea in enumerate(lineas):
if any(linea.strip().startswith(pref) for pref in ["SEGUNDO", "TERCERO", "CUARTO", "QUINTO", "SEXTO", "SÉPTIMO", "OCTAVO"]):
numeral = romanos[contador]
contenido = linea.split(":", 1)[1].strip()
lineas[i] = f"{numeral}: {contenido}"
contador += 1
auto_redactado = "\n".join(lineas)
return tipos_str, riesgo, tipo_medida, auto_redactado
# === Interfaz Gradio ===
with gr.Blocks(css=css_externado) as interfaz:
# Logo alineado a la izquierda
gr.Markdown("""
<div style='text-align:left;'>
<img src='https://huggingface.co/spaces/km1lo/LEGALFAMI/raw/main/Logo%20externado.jpg' style='height: 60px;'/>
</div>
""")
# Título centrado en blanco
gr.Markdown("""
<h1 style='color:#FFFFFF; text-align:center; font-family: Roboto, sans-serif;'>
LEGALFAMI – Asistente Legal con Razonamiento Jurídico
</h1>
""")
# Subtítulo
gr.Markdown("""
<p style='text-align:center; color:#FFFFFF;'>
Predice tipo de violencia, nivel de riesgo, medida de protección y redacta un Auto conforme a la Ley 575 Art.5.
</p>
""")
with gr.Row():
with gr.Column():
edad = gr.Slider(18, 65, value=30, label="Edad de la Víctima")
genero = gr.Radio(["F", "M"], label="Género")
hijos = gr.Slider(0, 5, step=1, value=1, label="Número de Hijos")
convivencia_agresor = gr.Radio(["sí", "no"], label="¿Convive con el Agresor?")
consumo_sustancias = gr.Radio(["sí", "no"], label="¿Hay Consumo de Sustancias?")
apoyo_familiar = gr.Radio(["sí", "no"], label="¿Tiene Apoyo Familiar?")
descripcion = gr.Textbox(lines=5, placeholder="Describa detalladamente el caso de violencia...", label="Descripción del Caso")
boton = gr.Button("🔍 Analizar Caso")
with gr.Column():
tipo_violencia_out = gr.Textbox(label="🛑 Tipo de Violencia Detectada", interactive=False)
riesgo_out = gr.Textbox(label="⚠️ Nivel de Riesgo Estimado", interactive=False)
medida_out = gr.Textbox(label="🧾 Tipo de Medida de Protección Sugerida", interactive=False)
recomendacion_out = gr.Textbox(label="📋 Auto de Medida Provisional", lines=12, interactive=False)
boton.click(
fn=predecir_con_recomendacion,
inputs=[edad, genero, hijos, convivencia_agresor, consumo_sustancias, apoyo_familiar, descripcion],
outputs=[tipo_violencia_out, riesgo_out, medida_out, recomendacion_out]
)
interfaz.launch() |