GenAI RAG implementation

Реализация GenAI RAG [генерация маркетинговой электронной почты]

В этом проекте используются Python и Streamlit для создания удобного веб-приложения, которое помогает создавать маркетинговый контент, в частности электронные письма. Он использует большие языковые модели (LLM) для создания копий электронных писем на основе вводимых пользователем данных и описаний продуктов.

Ключевые особенности:

Выбор типа маркетинга по электронной почте: выберите тип маркетингового контента, который вы хотите создать (например, рекламный, информационный бюллетень, образовательный).

Ввод описания продукта: введите данные вручную или загрузите файл (текст, PDF или PPT).

Загрузка данных (необязательно): загрузите CSV, Excel или текстовый файл, содержащий соответствующие данные для анализа.

Видение электронной почты пользователя. Опишите желаемое содержание электронной почты и основные направления.

Уровень креативности: отрегулируйте уровень креативности для созданной копии электронного письма.

Выбор юридического нижнего колонтитула: выберите заранее определенный юридический нижний колонтитул для вашего электронного письма.

Генерация электронной почты: создавайте контент электронной почты в соответствии с вашими требованиями.

Юридическая проверка (необязательно). Убедитесь, что электронное письмо соответствует законодательным и нормативным требованиям.

Варианты загрузки: загрузите сгенерированное электронное письмо и любые аналитические графики (если данные загружены).

Начиная:

Клонируйте репозиторий. Используйте git clone https://github.com/vishaltembhre/GenAI-RAG-implementation.git, чтобы клонировать проект.

Установите зависимости: перейдите в каталог проекта и запустите pip install -r require.txt, чтобы установить необходимые библиотеки.

Настройте ключи API. Создайте файл секретов с именем .secrets и безопасно добавьте сведения о API Azure OpenAI (CLIENT_SECRET).

Запустите приложение: выполните python main.py, чтобы запустить приложение Streamlit.

Библиотеки

Питон

Стримлит

langchain (для интеграции LLM)

панды (для манипулирования данными)

PyPDF2 (для обработки PDF)

pptx (для обработки PowerPoint)

Azure OpenAI (для доступа к программе LLM)

matplotlib (для визуализации данных)

seaborn (для визуализации данных)