app.py

# -*- coding: utf-8 -*-
"""app.ipynb

Automatically generated by Colab.

Original file is located at
    https://colab.research.google.com/drive/1WQ2YqAcXFp-14DglIYkV4rawVDSbyhCe
"""

from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
from sentence_transformers import SentenceTransformer, util
import numpy as np
import joblib
import torch
import gradio as gr
from transformers import TextGenerationPipeline

# === 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 OpenHermes-2.5 ===
model_id = "teknium/OpenHermes-2.5-Mistral-7B"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
    device_map="auto"
)

modelo_llm = TextGenerationPipeline(
    model=model,
    tokenizer=tokenizer,
    max_new_tokens=1000,
    temperature=0.5,
    do_sample=True,
)

# === 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"
]
embeds_fisica = modelo_vector.encode(frases_fisica)
embeds_sexual = modelo_vector.encode(frases_sexual)

# === Verificador semántico ===
def verificar_semantico(descripcion):
    emb_desc = modelo_vector.encode(descripcion)
    tipos_detectados = []
    if max(util.cos_sim(emb_desc, embeds_fisica)[0]) > 0.7:
        tipos_detectados.append("física")
    if max(util.cos_sim(emb_desc, embeds_sexual)[0]) > 0.7:
        tipos_detectados.append("sexual")
    return tipos_detectados

# === FUNCIÓN PRINCIPAL MODIFICADA ===
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)

    # PROMPT legal ajustado con decisión motivada para Comisario
    prompt = f"""[INSTRUCCIÓN]
Eres un Comisario/a de Familia en Colombia. Con base en los hechos relatados, el nivel de riesgo y el tipo de violencia identificado, debes emitir un Auto de Medida Provisional claro, completo y con redacción profesional jurídica.

Utiliza la siguiente estructura detallada:

1. **CONSIDERACIONES:**
   - Realiza un resumen claro y detallado de los hechos narrados por la parte denunciante, destacando las circunstancias de tiempo, modo y lugar.
   - Analiza el riesgo actual y el contexto familiar con referencias a la Ley 575 de 2000, Ley 1257 de 2008 y Ley 2126 de 2021.
   - Cita expresamente los literales del Artículo 5 de la Ley 575 de 2000 (letras a-n) que resultan aplicables al caso.
   - Justifica cada literal aplicado explicando detalladamente las razones jurídicas, la finalidad protectora de la medida y su proporcionalidad frente a los hechos denunciados.

2. **RESUELVE:**
   - **PRIMERO:** Admitir la solicitud y avocar conocimiento, con mención expresa de la normativa que habilita esta decisión.
   - **SEGUNDO:** Adoptar las medidas de protección, enumerando cada una de manera individual, describiendo su contenido y fundamento legal.
   - **TERCERO:** Advertir al presunto agresor sobre las consecuencias legales de incumplir estas medidas, citando expresamente el Artículo 5 parágrafo 3 de la Ley 575 de 2000 y el Artículo 38 de la Ley 1257 de 2008.
   - **CUARTO:** Disponer que cualquier cambio de domicilio deberá ser informado oportunamente al Juzgado competente, conforme a lo dispuesto en el Artículo 5 de la Ley 575 de 2000.
   - **QUINTO:** Ordenar, en caso necesario, acompañamiento policial para hacer efectivas las medidas de protección y prevenir nuevos actos de violencia.
   - **SEXTO:** Citar al presunto agresor a audiencia pública con el fin de tramitar el proceso y resolver sobre la confirmación, modificación o levantamiento de las medidas adoptadas, indicando que su inasistencia no suspende el procedimiento.

[DATOS DEL CASO]
- Tipos de violencia detectados: {tipos_str}
- Nivel de riesgo: {riesgo}
- Medida cautelar sugerida: {tipo_medida}
- Descripción del caso: {descripcion}

[OBJETIVO]
Redacta el Auto de Medida Provisional completo siguiendo estrictamente la estructura detallada, con lenguaje jurídico profesional y argumentos amplios que fundamenten cada decisión. Indica expresamente el año de cada ley citada. Limita la respuesta a máximo 600 tokens, priorizando claridad y rigor legal.

[RESPUESTA]
"""

    respuesta = modelo_llm(prompt)[0]["generated_text"]
    razonamiento = respuesta.split("[RESPUESTA]")[-1].strip()

    return tipos_str, riesgo, tipo_medida, razonamiento

# === Interfaz Gradio (sin cambios) ===
with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
    gr.Markdown("<h1 style='text-align:center; color:#004aad;'>LEGALFAMI – Asistente Legal con Razonamiento Jurídico</h1>")
    gr.Markdown("Predice tipo de violencia, riesgo, medida cautelar y genera una recomendación legal conforme a la Ley 575 Art.5.")

    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 Cautelar Sugerida", interactive=False)
            recomendacion_out = gr.Textbox(label="📋 Recomendación Legal Razonada", 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()