Système Intelligent pour la Découverte des Interactions entre Maladies et Aliments

Description du Projet

Ce projet vise à développer une plateforme intelligente capable de prédire les interactions entre des maladies et les aliments à éviter, en utilisant des techniques d'intelligence artificielle générative et de web scraping. Grâce à une application web intuitive, les utilisateurs peuvent poser des questions telles que "Quels aliments dois-je éviter si je souffre de la maladie X ?" et recevoir des réponses basées sur des modèles fine-tunés sur des données spécifiques aux interactions aliments-maladies.

Le système est particulièrement utile pour les patients souffrant de maladies chroniques comme le diabète, les maladies cardiovasculaires, l'hypertension, les allergies alimentaires, etc., et vise à offrir une assistance dans la gestion des régimes alimentaires personnalisés.

Le projet comprend plusieurs phases clés :

1. Collecte de données via le web scraping du website https://www.passeportsante.net/.
2. Préparation des données et leur structuration pour entraîner les modèles d'IA.
3. Modélisation avec fine-tuning pour adapter les modèles d'IA à notre cas d'usage.
4. Développement d'une interface utilisateur accessible via une application web.
5. Déploiement des modèles pour une utilisation en production en temps réel.

Fonctionnalités Clés

• Web Scraping : Extraction automatisée de données à partir de sources de santé reconnues (par exemple, PasseportSanté).
• Préparation des Données : Nettoyage, transformation et structuration des données collectées pour les rendre compatibles avec les modèles d'IA.
• Modélisation avec IA : Utilisation de modèles pré-entraînés comme GPT-2, LLama 2 et Gemma, adaptés aux interactions aliments-maladies grâce au fine-tuning.
• Application Web : Interface conviviale développée avec Streamlit, permettant aux utilisateurs de poser des questions et d'obtenir des recommandations personnalisées.
• Déploiement des Modèles : Hébergement des modèles fine-tunés avec Streamlit pour fournir des réponses en temps réel aux utilisateurs.

Fine-Tuning des LLMs

Le fine-tuning des modèles est une étape essentielle du projet pour adapter les modèles pré-entraînés (tels que GPT-2, LLama 2 et Gemma) aux données spécifiques des interactions entre maladies et aliments. Ce processus améliore la pertinence des réponses fournies par les modèles.

Étapes du Fine-Tuning

1. Préparation des Données
   Le jeu de données est constitué de paires questions-réponses qui relient des maladies à des aliments à éviter. Par exemple :

   • Question : Quels aliments dois-je éviter si je souffre de diabète ?
   • Réponse : Évitez les aliments riches en sucre, tels que les bonbons, pâtisseries, boissons sucrées, etc.

   Les données sont nettoyées et formatées pour garantir une utilisation optimale lors du fine-tuning des modèles.

2. Modèles Utilisés

   • GPT-2 : Générateur de texte basé sur des architectures transformer, utilisé pour générer des réponses textuelles.
   • LLama 2 : Modèle de Meta AI, utilisé pour des tâches de compréhension et génération de texte complexe.
   • Gemma : Modèle de Google AI, adapté à des prédictions basées sur des données multimodales dans le domaine de la santé.

Interfaces des modèles

GPT 2

LLAMA 2

GEMMA

Installation

Prérequis

• Python 3.8 ou supérieur
• pip pour la gestion des paquets
• Un environnement virtuel (virtualenv) est recommandé pour isoler les dépendances
• Accès à un GPU recommandé pour entraîner les modèles (mais pas nécessaire pour l'utilisation en production)

Cloner le dépôt

git clone https://github.com/oumaimaab01/Disease-Food-chatbot.git

Installation des dépendances

pip install -r requirements.txt

Démarrer l'Application Web

streamlit run app.py