Update app.py

app.py

@@ -1,64 +1,47 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+from transformers import pipeline
+
+# ID de tu modelo de análisis de sentimientos que ya subiste
+MODEL_ID = "Light-Dav/sentiment-analysis-bert-model"
+
+# Cargar el pipeline del modelo
+try:
+    classifier = pipeline("sentiment-analysis", model=MODEL_ID)
+except Exception as e:
+    print(f"Error al cargar el modelo {MODEL_ID}: {e}")
+    classifier = None # Para evitar errores si classifier no se inicializa
+
+def analyze_sentiment(text):
+    if not text:
+        return {"Positive": 0.0, "Negative": 0.0, "Neutral": 0.0}
+
+    if classifier is None:
+        return {"Error": "Modelo no cargado. Contactar al administrador."}
+
+    # Realizar la inferencia
+    # pipeline devuelve una lista de diccionarios, tomamos el primero
+    results = classifier(text)[0]
+
+    # Formatear el resultado para Gradio (diccionario de etiqueta a score)
+    formatted_results = {}
+    for item in results:
+        formatted_results[item['label']] = item['score']
+
+    return formatted_results
+
+# Crear la interfaz de Gradio
+iface = gr.Interface(
+    fn=analyze_sentiment,
+    inputs=gr.Textbox(lines=3, placeholder="Escribe tu texto aquí..."),
+    outputs=gr.Label(num_top_classes=3), # Mostrar las 3 clases principales (Positivo, Negativo, Neutro)
+    title="🤖 Análisis de Sentimientos en Español",
+    description="Introduce un texto en español y el modelo predecirá su sentimiento (Positivo, Negativo, Neutro).",
+    examples=[
+        ["Me encantó este libro, es fascinante y lo recomiendo totalmente."],
+        ["El servicio fue terrible, muy lento y poco amable."],
+        ["La reunión se programó para el jueves a las 10 AM."]
+    ]
 )
 
-
-if __name__ == "__main__":
-    demo.launch()
+# Iniciar la aplicación Gradio (esto se hace automáticamente en Hugging Face Spaces)
+iface.launch(share=False)