Update app.py

app.py

@@ -7,8 +7,6 @@ import rdflib
 from rdflib.plugins.sparql.parser import parseQuery
 from huggingface_hub import InferenceClient
 import re
-import torch
-from transformers import DistilBertForSequenceClassification, DistilBertTokenizer
 # ---------------------------------------------------------------------------
 # CONFIGURAZIONE LOGGING
 # ---------------------------------------------------------------------------
@@ -18,22 +16,6 @@ logging.basicConfig(
     handlers=[logging.FileHandler("app.log"), logging.StreamHandler()]
 )
 logger = logging.getLogger(__name__)
-
-
-# Determina il device (GPU se disponibile, altrimenti CPU)
-device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-logger.info(f"Device per il classificatore: {device}")
-
-# Carica il modello e il tokenizer del classificatore fine-tuned
-try:
-    logger.info("Caricamento del modello di classificazione fine-tuned da 'finetuned-bert-model'.")
-    classifier_model = DistilBertForSequenceClassification.from_pretrained("finetuned-bert-model")
-    classifier_tokenizer = DistilBertTokenizer.from_pretrained("finetuned-bert-model")
-    classifier_model.to(device)
-    logger.info("Modello di classificazione caricato correttamente.")
-except Exception as e:
-    logger.error(f"Errore nel caricamento del modello di classificazione: {e}")
-    classifier_model = None
 explanation_dict = {}
 # ---------------------------------------------------------------------------
 # COSTANTI / CHIAVI / MODELLI
@@ -402,32 +384,6 @@ def assistant_endpoint(req: AssistantRequest):
     max_tokens = req.max_tokens
     temperature = req.temperature
     logger.debug(f"Parametri utente: message='{user_message}', max_tokens={max_tokens}, temperature={temperature}")
-    # -------------------------------
-    # CLASSIFICAZIONE DEL TESTO RICEVUTO
-    # -------------------------------
-    if classifier_model is not None:
-        try:
-            # Prepara l'input per il modello di classificazione
-            inputs = classifier_tokenizer(user_message, return_tensors="pt", truncation=True, padding=True)
-            inputs = {k: v.to(device) for k, v in inputs.items()}
-
-            # Disattiva il calcolo del gradiente per velocizzare l'inferenza
-            with torch.no_grad():
-                outputs = classifier_model(**inputs)
-                logits = outputs.logits
-                pred = torch.argmax(logits, dim=1).item()
-
-            # Mappa l'etichetta numerica a una stringa (modifica secondo la tua logica)
-            label_mapping = {0: "NON PERTINENTE", 1: "PERTINENTE"}
-            classification_result = label_mapping.get(pred, f"Etichetta {pred}")
-            logger.info(f"[Classificazione] La domanda classificata come: {classification_result}")
-            explanation_dict['classification'] = f"Risultato classificazione: {classification_result}"
-        except Exception as e:
-            logger.error(f"Errore durante la classificazione della domanda: {e}")
-            explanation_dict['classification'] = f"Errore classificazione: {e}"
-    else:
-        logger.warning("Modello di classificazione non disponibile.")
-        explanation_dict['classification'] = "Modello di classificazione non disponibile."
     # -----------------------------------------------------------------------
     # STEP 1: Generazione della query SPARQL
     # -----------------------------------------------------------------------