Monetary Insight Bot

Visão Geral

O Monetary Insight Bot é uma aplicação de IA conversacional que utiliza técnicas avançadas de RAG (Retrieval-Augmented Generation) para transformar relatórios oficiais do Banco Central do Brasil (BACEN) em conhecimento dinâmico. Ele permite que os usuários façam perguntas e obtenham respostas baseadas diretamente nos conteúdos dos Relatórios de Política Monetária (RPM), usando técnicas de NLP (Processamento de Linguagem Natural) e machine learning em nuvem, tornando a análise econômica acessível, precisa e instantânea.

---

Principais Ferramentas e Tecnologias

• Python 3.13+
• Streamlit: Interface web intuitiva e interativa para interação com o bot.
• LangChain: Orquestração e criação da cadeia RAG (retrieval-augmented generation).
• FAISS: Banco de dados vetorial eficiente para busca semântica.
• Azure OpenAI: Embeddings e modelos SLM (gpt-4o-mini) conectados via API.
• dotenv: Gerenciamento seguro de variáveis de ambiente.
• PDF e processamento de dados: Extração e vetorização de textos dos relatórios BACEN.

---

Estrutura do Projeto

MONETARY-INSIGHT-BOT/
│
├── .venv/                          # Ambiente virtual Python
│
├── app/                            # Aplicação Streamlit
│   ├── __init__.py
│   └── app.py                      # Interface web do chatbot
│
├── dados_rpm/                      # Dados de entrada (PDFs RPM)
│   ├── RPM_Dez_2024.pdf ...        # Relatórios do BACEN
│
├── faiss_index/                    # Banco de dados vetorial
│   ├── index.faiss
│   └── index.pkl
│
├── src/                            # Código-fonte principal
│   ├── agente/
│   │   └── agente.py               # Cadeia RAG e lógica central
│   ├── pipelines/
│   │   ├── pipeline_ingestao.py    # Ingestão e vetorização dos PDFs
│   │   └── processar_dados.py      # Pré-processamento de dados/texto
│   ├── utils/
│   │   ├── azure_client.py         # Conexão com Azure OpenAI
│   │   └── setup_log.py            # Configuração do logging
│   └── __init__.py
│
├── testes/                         # Testes automatizados/unidade
│   ├── testar_bot.py
│   ├── testar_embeddings.py ...
│
├── .env.example                    # Exemplo - Variáveis de ambiente (chaves API Azure, etc)
├── .gitignore
├── LICENSE
├── README.md                       # Este arquivo
└── requirements.txt                # Dependências Python

---

Funcionamento do Sistema

1. Ingestão & Indexação

• PDFs dos relatórios RPM são adicionados ao diretório dados_rpm/.
  • Relatórios de Política Monetrária - BACEN
• Rode pipeline_ingestao.py para processar, quebrar em textos menores, gerar embeddings e indexar tudo no FAISS.
• Resultado: um banco vetorial consultável e pronto para recuperação semântica.

2. Agente RAG

• O código em src/agente/agente.py implementa a cadeia RAG, conectando o retriever (FAISS) ao modelo de linguagem gpt-4o-mini para gerar respostas fundamentadas apenas nos trechos dos relatórios recuperados.

3. Interface Usuário (Chatbot)

• O usuário interage via interface Streamlit (app/app.py), podendo perguntar de forma natural sobre inflação, políticas monetárias, projeções do BACEN e muito mais.
• O sistema responde com base nos relatórios, nunca inventando dados.

4. Testes Automatizados

• Scripts no diretório testes/ validam extração, embeddings, recuperação e respostas do bot.

---

Como Executar o Projeto

Pré-requisitos

• Python 3.13+
• Conta Azure/OpenAI (chaves nas variáveis de ambiente .env)

Instalação

1. Clone o repositório e entre na pasta raíz.
2. Crie e ative um ambiente virtual:

   python -m venv .venv
   source .venv/bin/activate  # ou .venv\Scripts\activate no Windows

3. Instale dependências:

   pip install -r requirements.txt

4. Configure .env com suas chaves Azure/OpenAI conforme o exemplo em .env.example.
5. Adicione os PDFs dos relatórios ao diretório dados_rpm/.

Pipeline de Indexação

Execute a ingestão e indexação dos documentos:

python -m src.pipelines.pipeline_ingestao

Execução do Bot

Inicie a interface:

streamlit run app/app.py

Testes

pytest tests/

---

Detalhes sobre Funcionamento

• O bot nunca responde usando conhecimento externo – tudo é gerado a partir dos relatórios BACEN.
• Guardrails embutidos impedem alucinações e respostas não fundamentadas.
• Logs detalhados são emitidos para rastreabilidade (ajuda em depuração e operação em produção).

---

Contato & Licença

Distribuído sob a licença MIT. Dúvidas técnicas? Abra uma Issue ou Pull Request.