Update app.py

app.py

@@ -2,7 +2,7 @@ import streamlit as st
 import pdfplumber
 import docx
 from transformers import AutoTokenizer, AutoModelForCausalLM
-import faiss
+import torch
 
 st.title("JAI")
 
@@ -58,33 +58,7 @@ def generate_response(input_text):
     response = tokenizer.decode(outputs.logits.argmax(dim=1)[0])
     return response
 
-# FAISS használata az előző beszélgetések indexelésére és keresésére
-if st.session_state.previous_conversations:
-    # Először hozz létre egy üres FAISS indexet
-    index = faiss.IndexFlatL2(embedding_dimension)  # Az embedding_dimension a vektormérete az előző beszélgetések reprezentálásához
-
-    # Az előző beszélgetéseket reprezentáló vektorokat hozzáadhatod az indexhez
-    previous_conversation_vectors = generate_vectors_from_previous_conversations(st.session_state.previous_conversations)
-    for conversation_vector in previous_conversation_vectors:
-        index.add(conversation_vector)
-
-    # Keresés egy adott lekérdezés vektor alapján
-    query_vector = generate_vector_from_text(input_text)  # A lekérdezés szövegből létrehozott vektor
-    k = 5  # A legjobb 5 hasonlóságú beszélgetés visszaadása
-    D, I = index.search(query_vector, k)  # D: távolságok, I: indexek
-
-    # Azon beszélgetések visszaadása, amelyek a legjobban illeszkednek a lekérdezéshez
-    relevant_conversations = [st.session_state.previous_conversations[i] for i in I]
-
-    # Az eredmények megjelenítése
-    st.subheader("Legjobban Illeszkedő Beszélgetések:")
-    for i, conversation in enumerate(relevant_conversations):
-        st.write(f"{i+1}. Kérdés: {conversation['input_text']}")
-        st.write(f"   Válasz: {conversation['response']}")
-else:
-    st.info("Nincsenek előző beszélgetések az indexeléshez.")
-
-# Dokumentum feltöltése drag and drop segítségével
+# Dokumentumfeltöltés feldolgozása
 document_file = st.file_uploader("Húzd ide a dokumentumot vagy kattints a feltöltéshez", type=["pdf", "docx", "doc"])
 
 if document_file is not None: