🎓 Sistema Inteligente de Cards Educacionais com LLMs

Sistema educacional interativo que utiliza modelos de linguagem de grande escala (LLMs) para gerar conteúdo educacional estruturado em formato de cards, desenvolvido como trabalho prático da disciplina de Aprendizado Profundo do Programa de Pós-Graduação em Ciência da Computação (PPGCC) da UNESP, ministrada pelo Prof. Dr. Denis Henrique Pinheiro Salvadeo.

✨ Funcionalidades

• 🤖 Modelo LLM Avançado: Integração com Meta-Llama-3-8B-Instruct
• 🌐 Sistema Bilíngue: Interface em Português e Inglês
• 📝 Geração de Resumos: Explicações claras e objetivas de qualquer tema
• 🔗 Subtemas Relacionados: Explore conceitos de forma hierárquica
• 🎨 Interface Moderna: Design responsivo e intuitivo com Streamlit
• 💾 Histórico de Exploração: Revise todos os cards gerados na sessão
• ⚙️ Configurações Avançadas: Ajuste temperatura e max_tokens
• 📊 Sistema Modular: Código organizado em módulos reutilizáveis

🚀 Quick Start

Pré-requisitos

• Python 3.8 ou superior
• Conta no HuggingFace
• Token de API do HuggingFace

Instalação

# Clone o repositório
git clone https://github.com/seu-usuario/llm-edu-cards.git
cd llm-edu-cards

# Crie um ambiente virtual (recomendado)
python -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

# Instale as dependências
pip install -r requirements.txt

Execução

# Execute a aplicação
streamlit run app.py

Acesse http://localhost:8501 no seu navegador.

🔑 Configuração da API

1. Crie uma conta no HuggingFace
2. Gere um token de API em Settings → Access Tokens
3. Na interface do Streamlit, insira o token no campo da sidebar
4. Ou configure como variável de ambiente: HUGGINGFACEHUB_API_TOKEN

⚠️ Nota de Segurança: Nunca compartilhe seu token de API publicamente

🤖 Modelo LLM Utilizado

Meta-Llama-3-8B-Instruct

Características:

• Parâmetros: 8 bilhões
• Arquitetura: Transformer otimizado
• Desenvolvido por: Meta AI
• Especialização: Instruções e conversação

Vantagens:

• ⚡ Rápido e eficiente
• 🎯 Respostas precisas e bem estruturadas
• 🌍 Suporte multilíngue nativo
• 💡 Excelente compreensão de contexto

Configuração:

{
    "temperature": 0.3,
    "max_tokens": 800
}

🎯 Exemplos de Uso

Exemplo 1: Explorando IA (Português)

Input: "Redes Neurais Convolucionais"

Output:
- Resumo: Explicação detalhada sobre CNNs...
- Subtemas:
  1. Camadas de Convolução e Pooling
  2. Arquiteturas Clássicas
  3. Transfer Learning

Exemplo 2: Exploring AI (English)

Input: "Convolutional Neural Networks"

Output:
- Summary: Detailed explanation about CNNs...
- Subtopics:
  1. Convolution and Pooling Layers
  2. Classic Architectures
  3. Transfer Learning

⚙️ Configurações Avançadas

Hiperparâmetros

Parâmetro	Descrição	Valores	Recomendação
temperature	Controla criatividade	0.0 - 1.0	0.3 para educação
max_new_tokens	Limite de tokens	100 - 2048	800 padrão

Personalização

Os prompts podem ser customizados no arquivo config.py:

TRANSLATIONS = {
    "pt": {
        "summary_template": """...""",
        "subtopics_template": """..."""
    }
}

📝 Licença

Este projeto está licenciado sob a MIT License - veja o arquivo LICENSE para detalhes.

🎓 Informações Acadêmicas

Disciplina: Aprendizado Profundo
Instituição: Programa de Pós-Graduação em Ciência da Computação (PPGCC) - UNESP
Professor: Prof. Dr. Denis Henrique Pinheiro Salvadeo
Site PPGCC: Link para o programa

👥 Contribuidores

Este projeto foi desenvolvido colaborativamente como trabalho em grupo para a disciplina de Aprendizado Profundo do PPGCC-UNESP: