Update app.py

app.py

@@ -4,7 +4,7 @@ import fitz  # PyMuPDF
 import torch
 from transformers import pipeline, BloomForCausalLM, BloomTokenizerFast
 from huggingface_hub import login
-
+import requests
 import os
 
 hf_api_key = os.getenv("HF_API_KEY")
@@ -94,28 +94,52 @@ def evaluate_with_bloom(pdf_file, job_description):
    
     ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
     شرح شغل: {job_description}
-    رزومه: {resume_text}
-   
-    من پاسخ را در یک رشته با ساختار زیر می‌خواهم:
-    {{"تطابق شرح شغل با رزومه فرد ":"%"، "تعداد کلمات کلیدی غیر منطبق  ":""، "تعداد کلمات کلیدی منطبق   ":""}}
-    """
+    رزومه: {resume_text}"""
    
     inputs = bloom_tokenizer(prompt, return_tensors="pt")
     outputs = bloom_model.generate(inputs["input_ids"], max_length=2000)
     return bloom_tokenizer.decode(outputs[0], skip_special_tokens=True).strip()
 
+def evaluate_with_jabir(pdf_file, job_description):
+    resume_text = extract_text_from_pdf(pdf_file)
+
+    keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت
+    ، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
+   
+    prompt = f"""
+    به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، نقش شما شامل ارزیابی رزومه نسبت به شرح شغل و کلمات کلیدی مشخصی است.
+    لطفاً رزومه فرد را با در نظر گرفتن کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
+   
+    ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
+    شرح شغل: {job_description}
+    رزومه: {resume_text}"""
+
+    base_url = "https://api.jabirproject.org/generate"
+    headers = {"apikey": "7471142a-deb4-4a70-8ee3-6603e21bcc1d"}
+    data = {
+        "messages": [{"role": "user", "content": prompt}]
+    }
+
+    response = requests.post(base_url, headers=headers, json=data)
+
+    if response.ok:
+        return response.json()
+    else:
+        return f"Error: {response.status_code}, {response.text}"
+
 def evaluate_all_models(pdf_file, job_description):
     gpt_result = evaluate_with_gpt(pdf_file, job_description)
     gemma_result = evaluate_with_gemma(pdf_file, job_description)
     bloom_result = evaluate_with_bloom(pdf_file, job_description)
-    return f"GPT-4o Result:\n{gpt_result}\n\nGemma Result:\n{gemma_result}\n\nBloom Result:\n{bloom_result}"
+    new_model_result = evaluate_with_jabir(pdf_file, job_description)
+    return f"GPT-4o Result:\n{gpt_result}\n\nGemma Result:\n{gemma_result}\n\nBloom Result:\n{bloom_result}\n\njabir Result:\n{new_model_result}"
 
 iface = gr.Interface(
-    fn=lambda pdf, jd, model: evaluate_with_gpt(pdf, jd) if model == "GPT-4o" else evaluate_with_gemma(pdf, jd) if model == "Gemma" else evaluate_with_bloom(pdf, jd) if model == "Bloom" else evaluate_all_models(pdf, jd),
+    fn=lambda pdf, jd, model: evaluate_with_gpt(pdf, jd) if model == "GPT-4o" else evaluate_with_gemma(pdf, jd) if model == "Gemma" else evaluate_with_bloom(pdf, jd) if model == "Bloom" else evaluate_with_jabir(pdf, jd) if model == "jabir" else evaluate_all_models(pdf, jd),
     inputs=[
         gr.File(label="Upload Resume PDF"),
         gr.Textbox(lines=10, label="Job Description"),
-        gr.Radio(choices=["GPT-4o", "Gemma", "Bloom", "All"], label="Choose Model")
+        gr.Radio(choices=["GPT-4o", "Gemma", "Bloom", "jabir", "All"], label="Choose Model")
     ],
     outputs="text",
     title="Resume Evaluator"