Tipologia
Automazione
Cliente
Vector Search
Stato
In sviluppo
Descrizione
Microservizio Python che usa embedding semantici per raccomandare il prodotto più adatto a partire da una descrizione testuale e da parametri biometrici.
Il progetto consiste nell'ideazione, progettazione e sviluppo di un microservizio algoritmico proprietario di Vector Search applicato al settore Health & Pharma. Sviluppato per l'ecosistema Antherbis, il software agisce come un consulente virtuale intelligente: analizza le necessità descritte in linguaggio naturale dall'utente (es. "difficoltà a prendere sonno e stress accumulato") e, integrando nel calcolo dati biometrici oggettivi, restituisce un ranking ponderato dei prodotti (integratori o rimedi fitoterapici) scientificamente più idonei, ottimizzando l'accuratezza della raccomandazione rispetto alle tradizionali ricerche per parola chiave.
Finalità
Suggerire automaticamente il prodotto (integratore/erboristico) più adatto all’utente. Pensato per il cliente Antherbis: a partire da una descrizione delle esigenze e da valori come BPM e saturazione, l’algoritmo seleziona dal catalogo il prodotto con la maggiore affinità semantica.
Tecnologie
- Python + Flask (API REST)
- sentence-transformers con modello `nickprock/sentence-bert-base-italian-uncased` (embedding in italiano)
- NumPy (similarità coseno tra vettori)
- Catalogo prodotti come file `.txt` nella cartella `descriptions` (sito, id, descrizione)
Funzionalità principali
- Caricamento del catalogo prodotti da file di testo e generazione degli embedding
- Endpoint Flask che riceve una query/descrizione e restituisce i prodotti più affini
- Calcolo della similarità coseno tra la query e gli embedding dei prodotti
- Filtro dei prodotti in base a parametri biometrici (BPM, saturazione)
Note
Il progetto è composto principalmente da documentazione (.docx) e da una cartella `sorgenti` con il codice (`combined.py` e relativo `combined.zip`). Non è presente un `requirements.txt`; le dipendenze (Flask, sentence-transformers, numpy) sono dedotte dal codice. Correlato al cliente/ecosistema Antherbis.
Particolarità
Approccio di semantic search/vector matching con modello SBERT specifico per la lingua italiana, applicato a un dominio di nicchia (prodotti erboristici). Combina ranking semantico e filtri a regole su parametri fisiologici. Documentazione di supporto inclusa (`Algoritmo IA per selezione miglior prodotto.docx`, `API_antherbis.docx`).