a

.gitignore

@@ -0,0 +1,2 @@
+/venv
+/static

README.md

@@ -0,0 +1,3 @@
+### Как запускать
+`pip install -r requirements.txt`
+`uvicorn search_server:app --reload`

a.py

@@ -0,0 +1,38 @@
+# coding=utf8
+# the above tag defines encoding for this document and is for Python 2.x compatibility
+
+import re
+
+regex = r"({(\n.+)+\n})"
+
+test_str = (
+    "{\n"
+    "  'users': 'Кто будет пользоваться продуктом',\n"
+    "  'problems': 'Какие проблемы решает продукт',\n"
+    "  'actuality': 'Продолжите предложение: Актуальность проблемы подтверждается тем фактом, что...',\n"
+    "  'solve': 'Как решаем эти проблемы',\n"
+    "  'works': 'Как работает решение',\n"
+    "}\n\n"
+    "{\n"
+    "  'users': 'Стартапы и компании, ищущие инвестиции',\n"
+    "  'problems': '1. Недостаток средств для разработки качественного Pitch Deck. 2. Недостаток экспертизы для проведения исследований и отражения их результатов в презентации. 3. Недостаток времени для разработки инвестиционных материалов.',\n"
+    "  'actuality': 'Продолжение предложения: Актуальность проблемы подтверждается тем фактом, что многие стартапы сталкиваются с ограниченными финансами и отсутствием нужных знаний в области маркетинга, финансов и анализа рынка, что затрудняет привлечение инвестиций. Они также испытывают нехватку времени из-за фокуса на разработке продукта или сервиса.',\n"
+    "  'solve': 'Продукт решает эти проблемы, предоставляя вспомогательный инструмент на основе искусственного интеллекта, специализированный для создания Pitch-Deck.',\n"
+    "  'works': 'Решение работает, используя возможности искусственного интеллекта для автоматизации процесса создания презентаций, учитывая требования инвесторов и примеры успешных Pitch Deck. Это позволяет стартапам и компаниям создавать более привлекательные и информативные презентации для привлечения инвестиций.'\n"
+    "}"
+)
+
+another_test = (
+    "{\n"
+    "  'users': 'Стартапы и компании, ищущие инвестиции',\n"
+    "  'problems': '1. Недостаток средств для разработки качественного Pitch Deck. 2. Недостаток экспертизы для проведения исследований и отражения их результатов в презентации. 3. Недостаток времени для разработки инвестиционных материалов.',\n"
+    "  'actuality': 'Продолжение предложения: Актуальность проблемы подтверждается тем фактом, что многие стартапы сталкиваются с ограниченными финансами и отсутствием нужных знаний в области маркетинга, финансов и анализа рынка, что затрудняет привлечение инвестиций. Они также испытывают нехватку времени из-за фокуса на разработке продукта или сервиса.',\n"
+    "  'solve': 'Продукт решает эти проблемы, предоставляя вспомогательный инструмент на основе искусственного интеллекта, специализированный для создания Pitch-Deck.',\n"
+    "  'works': 'Решение работает, используя возможности искусственного интеллекта для автоматизации процесса создания презентаций, учитывая требования инвесторов и примеры успешных Pitch Deck. Это позволяет стартапам и компаниям создавать более привлекательные и информативные презентации для привлечения инвестиций.'\n"
+    "}"
+)
+
+print(list(re.finditer(regex, test_str, re.MULTILINE))[-1].group())
+print(list(re.finditer(regex, another_test, re.MULTILINE))[-1].group())
+
+# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.

compress.py

@@ -0,0 +1,32 @@
+import torch
+from transformers import AutoModelForTokenClassification, AutoTokenizer
+
+model_name = "cointegrated/rubert-tiny2-sentence-compression"
+model = AutoModelForTokenClassification.from_pretrained(model_name)
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+
+
+def compress(text, threshold=0.5, keep_ratio=None):
+    """Compress a sentence by removing the least important words.
+    Parameters:
+        threshold: cutoff for predicted probabilities of word removal
+        keep_ratio: proportion of words to preserve
+    By default, threshold of 0.5 is used.
+    """
+    with torch.inference_mode():
+        tok = tokenizer(text, return_tensors="pt").to(model.device)
+        proba = torch.softmax(model(**tok).logits, -1).cpu().numpy()[0, :, 1]
+    if keep_ratio is not None:
+        threshold = sorted(proba)[int(len(proba) * keep_ratio)]
+    kept_toks = []
+    keep = False
+    prev_word_id = None
+    for word_id, score, token in zip(tok.word_ids(), proba, tok.input_ids[0]):
+        if word_id is None:
+            keep = True
+        elif word_id != prev_word_id:
+            keep = score < threshold
+        if keep:
+            kept_toks.append(token)
+        prev_word_id = word_id
+    return tokenizer.decode(kept_toks, skip_special_tokens=True)

img_search.py

@@ -0,0 +1,42 @@
+import pickle
+from annoy import AnnoyIndex
+from sentence_transformers import SentenceTransformer
+
+data = None
+search_data = None
+model = None
+
+
+def get_data():
+    global data
+    if not data:
+        with open("data_img.pic", "rb") as file:
+            data = pickle.load(file)
+    return data
+
+
+def get_search():
+    global search_data
+    if not search_data:
+        search_data = AnnoyIndex(768, "angular")
+        search_data.load("ann.ann")
+    return search_data
+
+
+def get_model():
+    global model
+    if not model:
+        model = SentenceTransformer("sentence-transformers/LaBSE")
+    return model
+
+
+def search(search_str):
+    vectors = get_model().encode([search_str])[0]
+    inds = get_search().get_nns_by_vector(vectors, 5)
+    res = []
+    for ind in inds:
+        try:
+            res.append(get_data()[ind])
+        except:
+            pass
+    return list(map(lambda x: x["link"], res))

numeric_metrics.py

@@ -0,0 +1,2 @@
+from search import search_investments
+

openai_handle.py

@@ -0,0 +1,158 @@
+import openai
+import datetime
+from ast import literal_eval
+import re
+
+KEY = "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"
+
+regex = r"({(\n.+)+\n})"
+
+description = """
+🍀 Кейсодержатель:
+ООО «Акселератор Возможностей» (https://ac-vo.ru/) при ИНТЦ МГУ «Воробьевы горы».
+Организация технологических и инвестиционных мероприятий, курирование инновационной деятельности внутри ИНТЦ МГУ «Воробьевы горы»
+
+Раскроем небольшую тайну венчура — для привлечения денежных средств и защиты своего проекта, стартапу нужен Pitch-Deck.
+
+🍀 Что такое Pitch-Deck?
+Pitch-Deck представляет собой презентацию-тизер проекта/компании для инвесторов, партнеров, журналистов и других заинтересованных лиц. Цель презентации - привлечение дополнительного финансирования (инвестиций).
+Почему это проблема?
+
+🍀 Проблема #1. Недостаток средств:
+Для многих стартапов ограниченные финансы создают преграду при разработке качественного Pitch Deck. Отсутствие достаточных средств для найма профессиональных консультантов, дизайнеров и копирайтеров, а также для проведения исследований рынка, может привести к созданию менее привлекательной и малоинформативной презентации, что затрудняет привлечение инвестиций.
+
+🍀 Проблема #2. Недостаток экспертизы:
+Проблемой для стартапов является недостаток экспертизы для проведения необходимых исследований и корректного отражения их результатов в Pitch Deck. Не всегда у стартапов есть нужные знания в области маркетинга, финансов и анализа рынка, что затрудняет создание убедительной и информативной презентации для привлечения инвестиций.
+
+🍀 Проблема #3. Недостаток времени
+Молодым компаниям для привлечения инвестиций требуется подготовить целый пакет документов, одним из которых является Pitch Deck. Особенностью стартапов является сравнительного молодая и небольшая команда, у которой чисто физически не хватает времени на разработку инвестиционных материалов, ведь они полностью погружены в процесс разработки и улучшения продукта или сервиса.
+
+🍀 ИДЕЯ:
+Основная идея кейса заключается в создании вспомогательного инструмента на основе ИИ, заточенного под создание Pitch-Deck.
+"""
+
+names_prompt="""
+По тексту ответь или предположи ответ на вопросы в следующем формате:
+{
+  "names": "Назови 5 имен проекта с данным описанием через запятую"
+}
+"""
+
+prompts = [
+"""
+По тексту ответь или предположи ответ на вопросы в следующем формате:
+{
+  'users': 'Кто будет пользоваться продуктом?',
+  'problems': 'Какие проблемы решает продукт?',
+  'actuality': 'Каким фактом обуславливается актуальность проблемы?',
+  'solve': 'Как решаем эти проблемы?',
+  'works': 'Как работает решение?',
+}
+""",
+"""
+По тексту ответь или предположи ответ на вопросы в следующем формате:
+{
+  'awards': 'Ценность продукта для пользователей',
+  'money': 'На чем проект зарабатывает? сколько и за что ему платят клиенты',
+  'aims': Напиши 3 цели: на месяц, на полгода и год, формат: {'1': цель на месяц, '2': цель на полгода, '3': цель на год},
+  'investments_sold': 'На что потратить инвестиции под проект',
+  'financial_indicators': 'Напиши финансовые показатели проекта'
+}
+""",
+"""
+По тексту ответь или предположи ответ на вопросы в следующем формате:
+{
+  'achieve': 'Чего добьется команда после освоения инвестиций',
+  'competitors_strength': 'Сильные стороны конкурентов',
+  'competitors_low': 'Слабые стороны конкурентов',
+  'advantages': 'Какие могут быть преимущества над конкурентами',
+  'category': "На каком рынке находится этот проект? Выбери из вариантов: 'Business Software', 'IndustrialTech', 'E-commerce', 'Advertising & Marketing', 'Hardware', 'RetailTech', 'ConstructionTech', 'Web3', 'EdTech', 'Business Intelligence', 'Cybersecurity', 'HrTech', 'Telecom & Communication', 'Media & Entertainment', 'FinTech', 'MedTech', 'Transport & Logistics', 'Gaming', 'FoodTech', 'AI', 'WorkTech', 'Consumer Goods & Services', 'Aero & SpaceTech', 'Legal & RegTech', 'Travel', 'PropTech', 'Energy', 'GreenTech'"
+}
+"""
+]
+
+
+openai.api_key = KEY
+
+assertions = [
+    [
+        lambda data: 'users' in data.keys(),
+        lambda data: 'problems' in data.keys(),
+        lambda data: 'actuality' in data.keys(),
+        lambda data: 'solve' in data.keys(),
+        lambda data: 'works' in data.keys(),
+    ],
+    [
+        lambda data: 'awards' in data.keys(),
+        lambda data: 'money' in data.keys(),
+        lambda data: 'aims' in data.keys(),
+        lambda data: 'investments_sold' in data.keys(),
+        lambda data: 'financial_indicators' in data.keys(),
+    ],
+    [
+        lambda data: 'achieve' in data.keys(),
+        lambda data: 'competitors_strength' in data.keys(),
+        lambda data: 'competitors_low' in data.keys(),
+        lambda data: 'advantages' in data.keys(),
+    ]
+]
+
+
+def create_hints(description: str, stage: int):
+    global prompts
+    chat_completion = openai.ChatCompletion.create(
+        model="gpt-3.5-turbo",
+        messages=[{"role": "user", "content": description + "\n" + prompts[stage]}],
+    )
+    str_content = chat_completion.choices[0].message.content
+    try:
+        filtered_content = list(re.finditer(regex, str_content, re.MULTILINE))[-1].group()
+        if not len(filtered_content):
+            raise ValueError(f'answer doesnt pass validation, {filtered_content}')
+    except:
+        raise ValueError(f'answer doesnt pass validation, {filtered_content}')
+    content = literal_eval(filtered_content)
+    for assertion_statement in assertions[stage]:
+        assert assertion_statement(content)
+    
+    if stage == 1:
+        content['aims'] = [
+            {
+                'aim': content['aims']['1'],
+                'date': (datetime.datetime.now() + datetime.timedelta(days=30)).isoformat()
+            },
+            {
+                'aim': content['aims']['2'],
+                'date': (datetime.datetime.now() + datetime.timedelta(days=180)).isoformat()
+            },
+            {
+                'aim': content['aims']['3'],
+                'date': (datetime.datetime.now() + datetime.timedelta(days=365)).isoformat()
+            }
+        ]
+    result = []
+    for key, value in content.items():
+        result.append({
+            'type': key,
+            'value': value
+        })
+    return result
+
+
+def create_name_hint(description: str):
+    global names_prompt
+    chat_completion = openai.ChatCompletion.create(
+        model="gpt-3.5-turbo",
+        messages=[{"role": "user", "content": description + "\n" + names_prompt}],
+    )
+    answer = literal_eval(chat_completion.choices[0].message.content)['names'].split(', ')
+    print(answer)
+    return {
+        'type': 'names',
+        'value': answer
+    }
+
+#print(create_name_hint(description))
+print(create_hints(description, 0))
+# print(create_hints(description, 1))
+# print(create_hints(description, 2))

search.py

@@ -0,0 +1,164 @@
+from annoy import AnnoyIndex
+from sentence_transformers import SentenceTransformer
+import pickle
+import os
+
+model = None
+data = None
+index = None
+
+
+def get_model():
+    global model
+    if not model:
+        model = SentenceTransformer("sentence-transformers/LaBSE")
+    return model
+
+
+def get_data():
+    global data
+    if not data:
+        with open("./data.pic", "rb") as file:
+            data = pickle.load(file)
+    for i in range(len(data)):
+        if 'image' not in data[i].keys():
+            data[i].update({'image': None})
+    return data
+
+
+def get_index():
+    global index
+    if not index:
+        index = AnnoyIndex(768, "angular")
+        index.load("index.ann")
+    return index
+
+
+def search(search_string):
+    embs = get_model().encode([search_string])[0]
+    indexes = get_index().get_nns_by_vector(embs, 5)
+    res = []
+    for i in indexes:
+        try:
+            res.append(get_data()[i])
+        except: pass
+    return list(map(lambda x: {'logo': x['image'], 'name': x['name'], 'description': x['description']}, res))
+
+
+def search_investemnts(search_string):
+    embs = get_model().encode([search_string])[0]
+    indexes = get_index().get_nns_by_vector(embs, 5)
+    res = []
+    for i in indexes:
+        try:
+            res.append(get_data()[i])
+        except:
+            pass
+    if not len(res):
+        res = [{'total_investments': 2000000}]
+    return list(map(lambda x: x['total_investments'], res))
+
+
+comp_data = {
+    "B2C": {
+        "CAC": 10,
+        "LTV": 12,
+    },
+    "B2B": {
+        "CAC": 1000,
+        "LTV": 1300
+    },
+    "TAM": {
+        "AI": 40680000000000,
+        "Business Software": 50600000000000,
+        "IndustrialTech": 5000000000000,
+        "E-commerce": 1440000000000000,
+        "Advertising & Marketing": 47700000000000,
+        "Hardware": 65700000000000,
+        "RetailTech": 1080000000000,
+        "ConstructionTech": 484200000000,
+        "Web3": 5400000000000000,
+        "EdTech": 10350000000000,
+        "Business Intelligence": 2430000000000,
+        "Cybersecurity": 15300000000000,
+        "HrTech": 2160000000000,
+        "Telecom & Communication": 162000000000000,
+        "Media & Entertainment": 225000000000000,
+        "FinTech": 810000000000000,
+        "MedTech": 46080000000000,
+        "Transport & Logistics": 90000000000000,
+        "Gaming": 31230000000000,
+        "FoodTech": 22230000000000,
+        "WorkTech": 90000000000000,
+        "Consumer Goods & Services": 8370000000000,
+        "Aero & SpaceTech": 34200000000000,
+        "Legal & RegTech": 720000000000,
+        "Travel": 180000000000000,
+        "PropTech": 2700000000000,
+        "Energy": 162000000000,
+        "GreenTech": 5580000000000,
+    },
+    "SAM": 0.3,
+    "SOM": 0.13,
+}
+
+
+
+
+def calculate_metrics(category, description, type):
+    cac = comp_data[type]['CAC']
+    ltv = comp_data[type]['LTV']
+    try:
+        tam = comp_data['TAM'][category] // 1000
+    except:
+        tam = comp_data['TAM']['AI'] // 1000
+    sam = comp_data['SAM'] * tam
+    som = comp_data["SOM"] * comp_data['SAM'] * tam
+    percent_now = 0.02
+    percent_then = 0.18
+
+    investments = search_investemnts(description)
+    invest = sum(investments) / len(investments) / 300
+    company_value = invest * 3
+    invest_then = company_value * 1.3
+    
+    return [
+        {
+            'type': 'users_metrics',
+            'value': {
+                'cac': cac,
+                'ltv': ltv
+            },
+        },
+        {
+            'type': 'market_values',
+            'value': {
+                'tam': tam,
+                'sam': sam,
+                'som': som
+            }
+        },
+        {
+            'type': 'percentage',
+            'value': {
+                'now': percent_now,
+                'then': percent_then
+            }
+        },
+        {
+            'type': 'how_much_investments',
+            'value': invest
+        },
+        {
+            'type': 'company_value',
+            'value': company_value
+        },
+        {
+            'type': 'future_value',
+            'value': invest_then
+        }
+    ]
+
+
+def pdf_to_pptx(filename: str):
+    os.system(f'pdf2pptx {filename}')

search_server.py

@@ -0,0 +1,56 @@
+from typing import Union
+
+from fastapi import FastAPI, UploadFile, File
+from search import search, calculate_metrics, pdf_to_pptx
+from img_search import search as image_search
+from compress import compress
+from fastapi.staticfiles import StaticFiles
+from pydantic import BaseModel
+import random
+import string
+app = FastAPI()
+
+
+app.mount("/static", StaticFiles(directory="static"), name="static")
+
+def random_slug():
+    return ''.join(random.choice(string.ascii_uppercase + string.digits) for _ in range(8))
+
+
+class Request(BaseModel):
+    body: str
+
+
+class NumericRequest(BaseModel):
+    description: str
+    category: str
+    type: str
+
+@app.post("/search")
+def read_root(body: Request):
+    return search(body.body)
+
+
+@app.post('/numeric')
+def get_numeric(body: NumericRequest):
+    return calculate_metrics(body.category, body.description, body.type)
+
+
+@app.post('/compress')
+def get_compressed(body: Request):
+    return compress(body.body, threshold=0.8)
+
+@app.post('/convert-to-pptx')
+async def convert(in_file: UploadFile):
+    sl = random_slug()
+    with open(f'./static/{sl}.pdf', 'wb') as file:
+        content = await in_file.read()
+        file.write(content)
+        pdf_to_pptx(f'./static/{sl}.pdf')
+    return {
+        'file': f'/static/{sl}.pptx'
+    }
+
+@app.post('/img-search')
+async def img_search(body: Request):
+    return image_search(body.body)