API-Asistente

El proyecto “Sistema de IA Generativa para la gestión de licitaciones públicas” se enmarca dentro del programa “Activa Startups” del Plan de Recuperación, Transformación y Resiliencia, cuyo propósito es fomentar la digitalización de las pymes a través de la implementación de soluciones innovadoras basadas en tecnologías emergentes. El objetivo del programa es mejorar la competitividad de las empresas mediante la adopción de herramientas avanzadas que faciliten la automatización y optimización de procesos críticos. En este contexto, Mottum Analytica propone una solución basada en un Modelo de Lenguaje (LLM) para abordar las necesidades específicas de CODEXCA en la gestión de su patrimonio documental y operativa interna. A continuación, se describe técnicamente la lógica e implementación de la solución.

Descripción de archivos y directorios

• main.py: Archivo principal de la API. Este es el archivo de entrada de la aplicación, donde se crea y configura la instancia de FastAPI. Aquí es donde se agregan rutas, middleware, y cualquier configuración general de la aplicación que necesita ser inicializada al arrancar.
• depedencies.py: Estas dependencias son funciones de utilidad, configuraciones de base de datos, servicios de dependencias (como clientes de API externos, configuración de caché, etc.), y cualquier otro objeto que necesite ser inyectado en los controladores/rutas de la aplicación.
• routers/: Este directorio contiene los diferentes enrutadores (routers) de la aplicación, organizados por funcionalidad o dominio. Cada archivo dentro de este directorio define rutas relacionadas con una parte específica de la aplicación. Para este caso en concreto:
  • chat.py: Contiene la funcionalidad y lógica del módulo del chat.
  • rag_utils: Contiene la funcionalidad, lógica y funciones auxiliares para el RAG.
  • tender_agent: Contiene la lógica del Agente de Licitaciones.
  • evaluation: Contiene la lógica de generación de la evaluación del modelo.
• internals: Este directorio alberga el código que es interno para la aplicación y no debe ser accesible directamente a través de las rutas de API públicas. Puede incluir lógica de administración, tareas de backend que se ejecutan en el servidor, scripts de mantenimiento, y otras utilidades internas.

Guía de Uso

Lo primero a tener en cuenta es la variable de entorno para usar la API key de Azure OpenAI. Para ello, se debe crear un archivo .env en la raíz del proyecto con la siguiente estructura:

AZURE_OPENAI_API_KEY=XXXXXXXXXXXXXX # Sustituir por la API key de Azure OpenAI
AZURE_OPENAI_ENDPOINT=XXXXXXXXXXXXXXX
LANGCHAIN_API_KEY=XXXXXXXXXXXXXXXX
LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT="https://api.smith.langchain.com"
LANGCHAIN_PROJECT="Your project name"
UI_BASE_URL="Front URL"

⚠️ Importante: Si decides no utilizar los servicios de Azure AI, es necesario modificar las llamadas al endpoint de OpenAI. El código requerido para realizar estos ajustes se encuentra comentado en los scripts chat.py, rag_utils.py y tender_agent.py.

Despliegue local 💻

Para el despliegue en local, se debe instalar las dependencias del proyecto. Para ello, se puede utilizar el siguiente comando:

pip install -r requirements.txt

Una vez instaladas correctamente todas las dependencias, se puede ejecutar la aplicación con el siguiente comando:

fastapi run main.py

Despliegue con Docker 🐳

Para el despliegue en un contenedor docker, se debe construir la imagen del contenedor:

docker build -t api:latest .

Una vez construida la imagen, podemos ejecutarla del siguiente modo:

docker run -p 8000:8000 api 

Documentación

Una vez desplegada la solución, es posible acceder a la misma a través de la URL base, obteniendo la siguiente respuesta:

{"Status":"API is running","Time":"YYYY-MM-DD HH:MM:SS"}