🧠 Gerador de Tarefas com LLM — GPT-2 Ajustado por Instruções

Modelo de linguagem GPT-2 ajustado (fine-tuning) para transformar comandos em linguagem natural em tarefas estruturadas, disponibilizado por meio de uma API REST em Flask.

Este projeto demonstra um pipeline completo de engenharia de modelos de linguagem:
curadoria de dados → fine-tuning → inferência → disponibilização via API.

---

🎯 Problema

Comandos em linguagem natural são ambíguos e não estruturados, o que dificulta sua integração direta com sistemas de produtividade, agendas ou assistentes virtuais.

Exemplo:

“me lembre de ligar para o médico”

Como transformar isso em algo que um sistema consiga executar?

---

💡 Solução

Este projeto ajusta o modelo GPT-2 utilizando dados no formato de instruções, permitindo que o modelo:

• Entenda a intenção do usuário
• Gere uma resposta clara
• Retorne uma estrutura padronizada de tarefa, contendo:
  • Nome da tarefa
  • Horário sugerido

O modelo treinado é servido localmente por meio de uma API Flask, pronta para integração com outros sistemas.

---

🏗️ Arquitetura do Sistema

Prompt do Usuário
↓
Tokenização
↓
GPT-2 Ajustado por Instruções
↓
Saída Estruturada (TASK + TIME)
↓
API REST (Flask)

---

⚙️ Detalhes Técnicos

• Modelo base: GPT-2
• Técnica: Fine-tuning com instruções (instruction tuning)
• Frameworks: PyTorch, Hugging Face Transformers
• Serviço: Flask (API local)
• Inferência: Pipeline local

---

🧪 Exemplo de Uso

Requisição para a API

curl -X POST http://localhost:5000/generate \
     -H "Content-Type: application/json" \
     -d '{"prompt": "Crie uma tarefa para ir ao dentista"}'

Resposta Esperada

{
  "response": "Tarefa de consulta no dentista adicionada.\n[TASK: Consulta no dentista | TIME: 10:00]"
}

---

📂 Conjunto de Dados (Formato de Instrução)

O modelo é treinado com exemplos no seguinte formato:

{
  "text": "Usuário: me lembre de regar as plantas\nAssistente:\nLembrete criado para regar as plantas.\n[TASK: Regar plantas | TIME: 09:00]"
}

Esse padrão ensina o modelo a:

• Reconhecer intenções
• Manter consistência na saída
• Sugerir horários coerentes com o contexto da tarefa

---

🚀 Funcionamento Interno

1. Curadoria e tokenização de um dataset customizado
2. Ajuste fino do GPT-2 com o Trainer da Hugging Face
3. Exportação do modelo treinado
4. Disponibilização via API REST local

---

📈 Resultados

• Boa compreensão da intenção do usuário
• Saídas estruturadas consistentes
• Sugestão de horários realistas
• Inferência local estável

---

🧠 Por Que Este Projeto É Relevante?

Este repositório vai além do uso básico de LLMs e demonstra:

• Criação de datasets orientados a tarefas reais
• Ajuste fino de modelos de linguagem
• Transformação de texto livre em dados estruturados
• Deploy local pronto para integração

Aplicável a:

• Ferramentas de produtividade
• Agendas inteligentes
• Assistentes virtuais
• Backends conversacionais

---

🔍 Exemplo de Inferência Local

from transformers import pipeline

generator = pipeline(
    "text-generation",
    model="./gpt2-tasker",
    tokenizer="./gpt2-tasker"
)

prompt = "Usuário: me lembre de ligar para o médico\nAssistente:\n"
output = generator(prompt, max_length=100, do_sample=True)

print(output[0]["generated_text"])

---

👤 Sobre Mim

Este projeto faz parte da minha exploração prática em:

• Modelos de Linguagem de Grande Escala (LLMs)
• Instruction tuning
• Curadoria de dados para aplicações reais
• Engenharia de IA com foco em produto

Se você busca alguém que una engenharia de modelos com visão prática de sistemas, este projeto reflete exatamente isso.