Update app.py

app.py

@@ -1,4 +1,5 @@
 import os
+import time
 import datetime
 import requests
 import textwrap
@@ -632,7 +633,7 @@ def API_France_Travail(romeListArray):
 def layout(**kwargs):
     listRome = []
     try:
-        selectArgRome = kwargs['selectRome']
+        selectArgRome = kwargs['selectRome'].replace(' ','').replace('%20','')
         if selectArgRome.find(',') != -1 and len(selectArgRome) > 5:
             listArgRome = selectArgRome.split(',')
             listRome = listArgRome
@@ -1420,7 +1421,7 @@ def run_chatbot(n_clicks, n_submit, user_input, chat_history, array_value):
     list_FT = df_FT_Select.values.tolist()
     context = ''
     for i in range(0,len(list_FT)):
-        context += "\n✔️ Emploi : " + str(list_FT[i][0]) + ";\n◉ Contrat : " + str(list_FT[i][1]) + ";\n◉ Compétences professionnelles : " + str(list_FT[i][3]).replace("{","").replace("}","").replace("[","").replace("]","").replace("code","").replace("libelle","") + ";\n" + "◉ Salaire : " + str(list_FT[i][6]).replace("{","").replace("}","").replace("[","").replace("]","") + ";\n◉ Qualification : " + str(list_FT[i][5]).replace("'libelle'","\n• 'libelle").replace("{","").replace("}","").replace("[","").replace("]","").replace("code","") + ";\n◉ Localisation : " + str(list_FT[i][7]).replace("{","").replace("}","").replace("[","").replace("]","") + ";\n◉ Expérience : " + str(list_FT[i][2]) + ";\n◉ Niveau de qualification : " + str(list_FT[i][8]).replace("{","").replace("}","").replace("[","").replace("]","") + ";\n◉ Description de l'emploi : " + str(list_FT[i][4]) + "\n"
+        context += "\n✔️ Emploi : " + str(list_FT[i][0]) + ";\n◉ Contrat : " + str(list_FT[i][1]) + ";\n◉ Compétences professionnelles : " + str(list_FT[i][3]).replace("{","").replace("}","").replace("[","").replace("]","").replace("code","").replace("libelle","") + ";\n" + "◉ Salaire : " + str(list_FT[i][6]).replace("{","").replace("}","").replace("[","").replace("]","") + ";\n◉ Qualification : " + str(list_FT[i][5]).replace("'libelle'","\n• 'libelle").replace("{","").replace("}","").replace("[","").replace("]","").replace("code","") + ";\n◉ Localisation : département n°" + str(list_FT[i][7]).replace("{","").replace("}","").replace("[","").replace("]","") + ";\n◉ Expérience : " + str(list_FT[i][2]) + ";\n◉ Niveau de qualification : " + str(list_FT[i][8]).replace("{","").replace("}","").replace("[","").replace("]","") + "\n"
         #context = df_FT.to_string(index=False)
     template = """<s>[INST] Vous êtes un ingénieur pédagogique de l'enseignement supérieur et vous êtes doué pour faire des analyses des formations de l'enseignement supérieur et de faire le rapprochement entre les compétences académiques et les compétences professionnelles attendues par le marché de l'emploi et les les recruteurs, en fonction des critères définis ci-avant. En fonction des informations suivantes et du contexte suivant seulement et strictement, répondez en langue française strictement à la question ci-dessous, en 5000 mots au moins. Lorsque cela est possible, cite les sources du contexte. Si vous ne pouvez pas répondre à la question sur la base des informations, dites que vous ne trouvez pas de réponse ou que vous ne parvenez pas à trouver de réponse. Essayez donc de comprendre en profondeur le contexte et répondez uniquement en vous basant sur les informations fournies. Ne générez pas de réponses non pertinentes.
     Répondez à la question ci-dessous à partir du contexte ci-dessous :
@@ -1458,6 +1459,7 @@ def run_chatbot(n_clicks, n_submit, user_input, chat_history, array_value):
     model_output = ""
     chain = prompt | llm | StrOutputParser()
     for s in chain.stream({"question":"D'après le contexte, " + user_input,"context":context_p}):
+        time.sleep(0.250)
         model_output = model_output + s
         print(s, end="", flush=True)