KeleaCare: Asistente Empático con Análisis de Personalidad

Sobre el Proyecto

Este proyecto nace en el marco del hackathon propuesto por Kelea, con el objetivo de crear un asistente empático que interactúe con los usuarios de manera natural, reconozca sus emociones y adapte sus respuestas en consecuencia. Además, incorporamos un análisis de personalidad basado en el modelo Big Five, utilizando datos del chat y registros diarios sobre su estado.

Chatbot Empático

• Implementamos un modelo de lenguaje para procesar las conversaciones.
  
• Utilizamos un clasificador de emociones basado en BERT para analizar el tono de los mensajes.
  
• Ajustamos las respuestas del chatbot según las emociones detectadas, mejorando la empatía en la interacción.
  

Registro Diario

• Los usuarios pueden escribir un registro diario sobre su estado emocional.
  
• Guardamos estos registros en una base de datos relacional para su posterior análisis.
  

Clasificación de Personalidad (Big Five)

• Combinamos los datos del chat, que condensamos utilizando técnicas de clustering, y los registros diarios para inferir rasgos de personalidad según el modelo Big Five.
  
• Entrenamos un modelo basado en BERT/BETO para clasificar los rasgos de personalidad.
  
• Esta información permite al LLM expresar el resultado.
  

Retos y Aprendizajes

Todos en nuestro equipo somos estudiantes del grado de Inteligencia Artificial y el hackathon nos desafió en varias áreas fuera de nuestra zona de confort:

• Desarrollo Front-End: Nos costó diseñar una interfaz intuitiva y funcional, ya que nuestra experiencia estaba más enfocada en modelos de IA que en desarrollo web.
  
• Gestión de Bases de Datos: Integrar embeddings en bases no relacionales y conectar esto con una base relacional para los registros diarios nos presentó varios desafíos técnicos.
  
• Optimización del Flujo de Datos: Aprender a manejar consultas eficientes y optimizar la comunicación entre el chatbot, los modelos de clasificación y las bases de datos fue clave para lograr un sistema funcional.
  

Conclusión

A pesar de los retos, logramos construir un asistente empático y personalizable, capaz de adaptarse a las emociones y la personalidad del usuario y de responder de forma adecuada teniendo en cuenta el contexto.

Built With

• chromadb
• gradio
• groq
• numpy
• pandas
• python
• pytorch
• re
• scipy
• sentence-transformers
• sklearn
• sqlite
• transformers
• uuid