GenAI RAG implementation

Implémentation de GenAI RAG [Génération d'e-mails marketing]

Ce projet utilise Python et Streamlit pour créer une application Web conviviale qui aide à générer du contenu marketing, en particulier des e-mails. Il exploite des modèles de langage étendus (LLM) pour créer des copies d'e-mails en fonction des entrées des utilisateurs et des descriptions de produits.

Principales caractéristiques :

Sélection du type de marketing par e-mail : choisissez le type de contenu marketing que vous souhaitez créer (par exemple, promotionnel, newsletter, éducatif).

Saisie de la description du produit : saisissez les détails manuellement ou téléchargez un fichier (texte, PDF ou PPT).

Téléchargement de données (facultatif) : téléchargez un fichier CSV, Excel ou texte contenant des données pertinentes pour obtenir des informations.

Vision de l'e-mail de l'utilisateur : décrivez le contenu de votre e-mail souhaité et vos domaines d'intervention.

Niveau de créativité : ajustez le niveau de créativité de la copie de l'e-mail générée.

Sélection du pied de page juridique : choisissez un pied de page juridique prédéfini pour votre e-mail.

Génération d'e-mails : générez du contenu d'e-mail en fonction de vos spécifications.

Vérification juridique (facultatif) : assurez-vous que l'e-mail est conforme aux exigences légales et réglementaires.

Options de téléchargement : téléchargez l'e-mail généré et tous les graphiques d'informations (si les données sont téléchargées).

Commencer:

Clonez le référentiel : utilisez git clone https://github.com/vishaltembhre/GenAI-RAG-implementation.git pour cloner le projet.

Installer les dépendances : accédez au répertoire du projet et exécutez pip install -r Requirements.txt pour installer les bibliothèques requises.

Configurer les clés API : créez un fichier secret nommé .secrets et ajoutez les détails de votre API Azure OpenAI (CLIENT_SECRET) en toute sécurité.

Exécutez l'application : Exécutez python main.py pour démarrer l'application Streamlit.

Bibliothèques

Python

Rationalisé

langchain (pour l'intégration LLM)

pandas (pour la manipulation de données)

PyPDF2 (pour le traitement PDF)

pptx (pour le traitement PowerPoint)

Azure OpenAI (pour l'accès LLM)

matplotlib (pour la visualisation des données)

seaborn (pour la visualisation des données)