Update app.py

app.py

@@ -6,70 +6,70 @@ from langchain.llms import HuggingFacePipeline
 from huggingface_hub import login
 from pydantic import BaseModel, model_validator
 
-# Token secreto de Hugging Face
+# Token Secret of Hugging Face
 huggingface_token = st.secrets["HUGGINGFACEHUB_API_TOKEN"]
 login(huggingface_token)
 
-# Cargar el modelo Llama 3.1
+# Load Llama 3.2
 model_name = "meta-llama/Llama-3.2-3B-Instruct"
 model = AutoModelForCausalLM.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 
 pipe = pipeline("feature-extraction", model=model, tokenizer=tokenizer)
 
-# Usar transformers pipeline para cargar el modelo y tokenizer
+# Use transformers pipeline
 llm_pipeline = HuggingFacePipeline(pipeline=pipe)
 
-# Interfaz de Streamlit
-st.title("Cosine Similarity con Llama 3.1")
+# Interfase of Streamlit
+st.title("Cosine Similarity with Llama 3.1")
 
 
-# Inicializar la variable query antes del uso
+# initialize query
 query = ""
 
-# Subida de archivo CSV
-uploaded_file = st.file_uploader("Sube un archivo CSV", type=["csv"])
+# Upload CSV file
+uploaded_file = st.file_uploader("Upload a CSV file", type=["csv"])
 
 
 if uploaded_file is not None:
-    # Leer el archivo CSV
+    # Read CSV file
     df = pd.read_csv(uploaded_file)
 
-    # Solicitar un query al usuario
-    query = st.text_input("Por favor ingresa tu consulta:")
+    # Request a query to user
+    query = st.text_input("Enter your query:")
     
     if query:
-        # Crear el prompt para calcular la similitud del coseno
+        # Create the prompt to calculate cosine similarity score
         prompt = f"""
-        Con la columna 'job_title' del csv, tiene que calcular los cosine similarity score entre cada registro y el query,
-        tiene que crear una columna nueva 'Score' con dichos scores y además tiene que ordenar los registros de mayor a menor valor de 'Score'.
-        El query es: {query}
+        With the 'job_title' column from the CSV, you need to calculate the cosine similarity score between each record and the query. 
+        You should create a new column called 'Score' with those scores and then sort the records from highest to lowest 'Score'.
+        The query is: {query}
         """
 
-        # Llamar al modelo con el prompt
+        # Call the model with the prompt
         try:
             response = llm_pipeline(prompt)
-            # Mostrar la respuesta del modelo
-            st.write("Respuesta del modelo:", response)
+            # Show Model answer
+            st.write("Model Answer:", response)
 
         except Exception as e:
-            st.error(f"Ocurrió un error al procesar el modelo: {str(e)}")
+            st.error(f"Error while processing: {str(e)}")
 
-# Modelo de validación de datos con Pydantic
-class ConsultaModelo(BaseModel):
+# Data validation Pydantic
+class ConsultModel(BaseModel):
     query: str
 
     @model_validator(mode='before')
-    def validar_query(cls, values):
+    def validate_query(cls, values):
         query = values.get('query')
         if not query:
-            raise ValueError("El query no puede estar vacío.")
+            raise ValueError("Query cannot be empty.")
         return values
 
-# Ejemplo de uso del modelo de validación
+# Example
 if query:
     try:
-        valid_query = ConsultaModelo(query=query)
-        st.success("Consulta válida.")
+        valid_query = ConsultModel(query=query)
+        st.success("Valid consult.")
     except ValueError as e:
-        st.error(f"Error de validación: {e}")
+        st.error(f"Validation error: {e}")