🇧🇷 Fine-tune-GPT-2 (Versão em Português)

Este projeto utiliza Flask — um framework web leve em Python, comum para APIs e microsserviços — para criar sua própria API local, realizando chamadas e retornando as respostas do modelo treinado localmente com base no prompt fornecido.

Clique para expandir a versão em português

---

🧠 Gerador Inteligente de Tarefas (Modelo GPT-2 Ajustado)

Uma versão ajustada do modelo de linguagem GPT-2, projetada para compreender comandos em linguagem natural e gerar descrições estruturadas de tarefas — com nomes de tarefas e horários apropriados — ideal para ferramentas de produtividade, assistentes virtuais e lembretes inteligentes.

---

🛠️ Como usar

# Instale se for a primeira vez
python3 -m venv ai-backend-env
pip install flask transformers torch
source ai-backend-env/bin/activate

# Caso já tenha instalado anteriormente, apenas ative:
source ai-backend-env/bin/activate

# Faça uma chamada para a API local:
curl -X POST http://localhost:5000/generate \
     -H "Content-Type: application/json" \
     -d '{"prompt": "Crie uma tarefa para ir ao dentista"}'

Resposta esperada:

"response": "Tarefa de consulta no dentista adicionada.\n[TASK: Consulta no dentista | TIME: 10:00]"

---

📌 Descrição do Projeto

Este projeto apresenta uma implementação prática de ajuste fino do GPT-2 para um assistente de gerenciamento de tarefas em linguagem natural. Dado um prompt do usuário (ex.: "me lembre de ligar para o médico"), o modelo retorna uma resposta estruturada como:

Assistente:
Lembrete criado para ligar para o médico.
[TASK: Ligar para o médico | TIME: 10:30]

---

✅ Funcionalidades Principais

• 💬 Entende comandos em linguagem natural
• 📋 Gera tarefas estruturadas no formato [TASK: ... | TIME: ...]
• ⏰ Aprende alocar horários coerentes com o contexto
• 🤖 Modelo ajustado com dataset customizado
• 🧪 Pronto para uso com transformers.pipeline

---

📂 Conjunto de Dados

{
  "text": "Usuário: me lembre de regar as plantas\nAssistente:\nLembrete criado para regar as plantas.\n[TASK: Regar plantas | TIME: 09:00]"
}

---

🛠️ Tecnologias Utilizadas

• Python 3.x
• 🤗 Transformers (GPT2LMHeadModel)
• Hugging Face Datasets
• PyTorch
• Google Colab + aceleração com CUDA

---

🚀 Como Funciona

1. Carrega e tokeniza o dataset customizado
2. Ajusta o GPT-2 com o Trainer da Hugging Face
3. Exporta e usa localmente ou em uma pipeline
4. Entrada: "Usuário: terminar o relatório"
5. Saída:

Assistente:
Tarefa de relatório adicionada.
[TASK: Terminar relatório | TIME: 16:00]

---

🧠 Proposta de Valor

Demonstra a capacidade de personalizar LLMs para tarefas reais, transformando modelos genéricos em assistentes de domínio específico. Ideal para:

• Ferramentas de produtividade/calendário inteligente
• Backends de assistentes virtuais
• Interfaces conversacionais
• Aplicativos de gerenciamento de tempo

---

📈 Resultados

• Compreende intenções do usuário
• Gera saídas claras e bem estruturadas
• Sugere horários realistas com base no tipo de tarefa

---

📥 Inferência Local

from transformers import pipeline

generator = pipeline("text-generation", model="./gpt2-tasker", tokenizer="./gpt2-tasker")

prompt = "Usuário: me lembre de ligar para o médico\nAssistente:\n"
output = generator(prompt, max_length=100, do_sample=True)
print(output[0]["generated_text"])

---

🙋 Sobre Mim

Este projeto faz parte da minha exploração prática em:

• Customização de modelos LLM
• Engenharia de prompts
• Curadoria de dados para tarefas reais

Se procura alguém que una proeficiência em deep learning com visão de produto, entre em contato!

---

🇺🇸 Fine-tune-GPT-2 (English Version)

This project uses Flask — a lightweight Python web framework, commonly used for APIs & microservices — to create a local API that makes calls and retrieves responses from a locally trained model based on the provided prompt.

Click to expand the English version

---

🧠 Smart Task Generator (Fine-Tuned GPT-2 Model)

A fine-tuned version of the GPT-2 language model designed to understand natural language prompts and generate structured task descriptions — complete with task names and appropriate execution times — ideal for productivity tools, virtual assistants, and smart reminders.

---

🛠️ Using

# Install if first time
python3 -m venv ai-backend-env
pip install flask transformers torch
source ai-backend-env/bin/activate

# If not, just activate:
source ai-backend-env/bin/activate

# Call local API
curl -X POST http://localhost:5000/generate \
     -H "Content-Type: application/json" \
     -d '{"prompt": "Create a task for me to go to the dentist"}'

Expected response:

"response": "Dentist appointment task added.\n[TASK: Dentist appointment | TIME: 10:00]"

---

📌 Project Description

This project showcases a hands-on implementation of fine-tuning GPT-2 for a natural language task management assistant. Given a user prompt (e.g., "remind me to call the doctor"), the model returns a structured response such as:

Assistant:
Reminder set to call the doctor.
[TASK: Call doctor | TIME: 10:30]

---

✅ Key Features

• 💬 Understands natural language task commands
• 📋 Generates structured tasks with [TASK: ... | TIME: ...] format
• ⏰ Learns appropriate timing (e.g., workouts in the morning, meetings in the afternoon)
• 🤖 Fully fine-tuned on custom curated dataset
• 🧪 Ready-to-use with transformers pipeline for inference

---

📂 Dataset

{
  "text": "User: remind me to water the plants\nAssistant:\nReminder set to water the plants.\n[TASK: Water plants | TIME: 09:00]"
}

---

🛠️ Tech Stack

• Python 3.x
• 🤗 Transformers (GPT2LMHeadModel)
• HuggingFace Datasets
• PyTorch
• Google Colab + CUDA acceleration

---

🚀 How It Works

1. Load and tokenize the custom dataset
2. Fine-tune GPT-2 using Trainer from Hugging Face
3. Export and use the model locally or in a pipeline
4. Input: "User: create a task to finish the report"
5. Output:

Assistant:
Report task added.
[TASK: Finish report | TIME: 16:00]

---

🧠 Value Proposition

This project demonstrates the ability to customize LLMs for real-world tasks, transforming general-purpose language models into domain-specific assistants. Ideal for:

• Smart calendar or productivity tools
• Virtual assistant backends
• Conversational UI systems
• User-centric time management apps

---

📈 Results

• Understands user intent
• Produces clear and clean outputs
• Generates meaningful time allocations with task descriptions

---

📥 Installation & Inference

from transformers import pipeline

generator = pipeline("text-generation", model="./gpt2-tasker", tokenizer="./gpt2-tasker")

prompt = "User: remind me to call the doctor\nAssistant:\n"
output = generator(prompt, max_length=100, do_sample=True)
print(output[0]["generated_text"])

---

🙋 About Me

This project is part of my practical exploration into:

• LLM fine-tuning
• Prompt engineering
• Data curation for real-world NLP applications

If you're looking for someone who blends deep learning proficiency with product vision, feel free to reach out!