app.pt.py

import streamlit as st
import os
import jwt
from datetime import datetime, timedelta
from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
import torch
from PIL import Image
import io
import librosa
import numpy as np
import logging
import tempfile
from streamlit.runtime.uploaded_file_manager import UploadedFile
from diffusers import StableDiffusionPipeline
import sentry_sdk
from supabase import create_client, Client
import types
import pandas as pd
import plotly.express as px
from typing import Dict, Any

# --- Configuração Inicial ---
st.set_page_config(
    page_title="AiiT Services - Plataforma de IA",
    page_icon="🤖",
    layout="wide",
    initial_sidebar_state="expanded"
)

# --- Estilos Personalizados ---
st.markdown("""
<style>
    :root {
    --primary: #7f5af0;       /* Roxo neon vibrante */
    --secondary: #2cb67d;     /* Verde menta brilhante */
    --accent: #f25f4c;        /* Laranja coral vibrante */
    --light: #fdfdfd;         /* Branco suave */
    --dark: #16161a;          /* Preto carvão elegante */
    --success: #2cb67d;       /* Verde sucesso */
    --info: #3d5afe;          /* Azul elétrico */
}

.main {
    background-color: #f5f7ff;  /* Cor de fundo geral */
}

.stApp {
    background-image: linear-gradient(120deg, #0f0c29, #302b63, #24243e); /* Fundo roxo/azul degradê */
}

.header {
    color: var(--light);
    border-bottom: 2px solid var(--primary);
    padding-bottom: 10px;
}

.card {
    background: var(--light);
    border-radius: 12px;
    box-shadow: 0 4px 20px rgba(127, 90, 240, 0.2);
    padding: 20px;
    margin-bottom: 20px;
    transition: transform 0.3s, box-shadow 0.3s;
}

.card:hover {
    transform: translateY(-5px);
    box-shadow: 0 6px 25px rgba(127, 90, 240, 0.4);
}

.feature-icon {
    font-size: 2.8rem;
    margin-bottom: 15px;
    color: var(--primary);
}

.btn-primary {
    background: linear-gradient(135deg, var(--primary), var(--secondary));
    border: none;
    color: white;
    border-radius: 10px;
    padding: 10px 20px;
    font-weight: 600;
    transition: all 0.3s;
}

.btn-primary:hover {
    transform: scale(1.05);
    box-shadow: 0 6px 15px rgba(44, 182, 125, 0.5);
}

.result-box {
    background: linear-gradient(135deg, #e0f7fa, #b2ebf2);
    border-radius: 12px;
    padding: 20px;
    margin-top: 20px;
}

.demo-box {
    background: linear-gradient(135deg, #f1f8e9, #dcedc8);
    border-radius: 12px;
    padding: 20px;
    margin-top: 20px;
}

.use-case-card {
    background: var(--light);
    border-radius: 12px;
    box-shadow: 0 4px 15px rgba(0, 0, 0, 0.08);
    padding: 20px;
    margin-bottom: 20px;
    border-left: 4px solid var(--accent);
    transition: all 0.3s;
}

.use-case-card:hover {
    transform: translateX(5px);
    box-shadow: 0 6px 20px rgba(242, 95, 76, 0.2);
}
</style>
""", unsafe_allow_html=True)

# --- Monkey-patch para compatibilidade ---
st.context = types.SimpleNamespace(cookies={})

import streamlit_authenticator as stauth

# --- Configuração de Logging e Sentry ---
sentry_sdk.init(os.getenv('SENTRY_DSN', ''), traces_sample_rate=1.0)
logging.basicConfig(
    filename='private/app_errors.log',
    level=logging.ERROR,
    format='%(asctime)s - %(levelname)s - %(message)s'
)

# --- Configuração do Supabase ---
SUPABASE_URL = os.getenv("SUPABASE_URL")
SUPABASE_KEY = os.getenv("SUPABASE_KEY")
supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY) if SUPABASE_URL and SUPABASE_KEY else None

# --- Funções de Banco de Dados ---
def connect_db():
    """Conecta ao Supabase"""
    if not supabase:
        st.error("❌ Configuração do Supabase ausente")
        return None
    return supabase

def init_db():
    """Inicializa a tabela de usuários no Supabase"""
    try:
        sb = connect_db()
        if not sb:
            return
        _ = sb.table("users").select("username").limit(1).execute()
    except Exception as e:
        logging.error(f"Erro ao inicializar banco de dados: {e}")

def load_users_from_db():
    """Carrega usuários do Supabase"""
    try:
        sb = connect_db()
        if not sb:
            return None

        resp = sb.table("users").select("username, name, password, role").execute()
        rows = resp.data if hasattr(resp, 'data') else []

        users = {
            row['username']: {
                'name': row['name'],
                'password': row['password'],
                'role': row['role']
            }
            for row in rows
        }

        return {
            'credentials': {'usernames': users},
            'cookie': {'name': 'ai_app_cookie', 'key': 'random_key_123', 'expiry_days': 30},
            'preauthorized': {'emails': []}
        }

    except Exception as e:
        logging.error(f"Erro ao carregar usuários: {e}")
        return None

def admin_panel(authenticator):
    sb = connect_db()
    if not sb or st.session_state.get('role') != 'admin':
        st.warning("⚠️ Apenas administradores têm acesso")
        return

    st.sidebar.title("⚙️ Painel Admin")

    with st.sidebar.expander("➕ Adicionar Usuário"):
        with st.form("add_user_form"):
            u = st.text_input("Username")
            n = st.text_input("Nome")
            p = st.text_input("Senha", type="password")
            r = st.selectbox("Role", ["user", "admin"])
            if st.form_submit_button("Adicionar", use_container_width=True):
                try:
                    hashed = stauth.Hasher([p]).generate()[0]
                    sb.table("users").insert({"username": u, "name": n, "password": hashed, "role": r}).execute()
                    st.success(f"✅ Usuário '{u}' criado!")
                except Exception as e:
                    st.error(f"❌ Erro ao adicionar usuário: {str(e)}")

    with st.sidebar.expander("🗑️ Remover Usuário"):
        with st.form("remove_user_form"):
            ur = st.text_input("Username para remover")
            if st.form_submit_button("Remover", use_container_width=True):
                try:
                    sb.table("users").delete().eq("username", ur).execute()
                    st.success(f"✅ Usuário '{ur}' removido!")
                except Exception as e:
                    st.error(f"❌ Erro ao remover usuário: {str(e)}")

    with st.sidebar.expander("🔄 Atualizar Role"):
        with st.form("update_role_form"):
            uu = st.text_input("Username para atualizar")
            nr = st.selectbox("Novo Role", ["user", "admin"])
            if st.form_submit_button("Atualizar", use_container_width=True):
                try:
                    sb.table("users").update({"role": nr}).eq("username", uu).execute()
                    st.success(f"✅ Role de '{uu}' alterado para '{nr}'")
                except Exception as e:
                    st.error(f"❌ Erro ao atualizar role: {str(e)}")

    st.sidebar.subheader("👥 Usuários Cadastrados")
    try:
        resp = sb.table("users").select("username,name,role").execute()
        for row in resp.data or []:
            st.sidebar.info(f"**{row['username']}** ({row['name']}) - `{row['role']}`")
    except Exception as e:
        st.error(f"❌ Erro ao listar usuários: {str(e)}")

# --- Cache para Modelos ---
@st.cache_resource(show_spinner="Carregando modelo...")
def load_model(model_key):
    """Carrega modelo específico com cache persistente"""
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    cache_dir = "model_cache"
    os.makedirs(cache_dir, exist_ok=True)
    
    model_loaders = {
        'sentiment_analysis': lambda: pipeline("sentiment-analysis", model="cardiffnlp/twitter-roberta-base-sentiment-latest", device=device),
        'text_classification': lambda: pipeline("text-classification", model="distilbert-base-uncased-finetuned-sst-2-english", device=device),
        'summarization': lambda: pipeline("summarization", model="facebook/bart-large-cnn", device=device, max_length=150, min_length=30),
        'question_answering': lambda: pipeline("question-answering", model="deepset/roberta-base-squad2", device=device),
        'translation': lambda: pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-en-pt", device=device),
        'text_generation': lambda: pipeline("text-generation", model="gpt2", device=device, pad_token_id=50256),
        'ner': lambda: pipeline("ner", model="dbmdz/bert-large-cased-finetuned-conll03-english", device=device, aggregation_strategy="simple"),
        'image_classification': lambda: pipeline("image-classification", model="google/vit-base-patch16-224", device=device),
        'object_detection': lambda: pipeline("object-detection", model="facebook/detr-resnet-50", device=device),
        'image_segmentation': lambda: pipeline("image-segmentation", model="facebook/detr-resnet-50-panoptic", device=device),
        'facial_recognition': lambda: pipeline("image-classification", model="mo-thecreator/vit-Facial-Expression-Recognition", device=device),
        'speech_to_text': lambda: pipeline("automatic-speech-recognition", model="openai/whisper-base", device=device),
        'audio_classification': lambda: pipeline("audio-classification", model="superb/hubert-base-superb-er", device=device),
        'text_to_image': lambda: StableDiffusionPipeline.from_pretrained(
            "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float32, use_safetensors=True, safety_checker=None, cache_dir=cache_dir
        ).to(device)
    }
    
    if model_key in model_loaders:
        try:
            return model_loaders[model_key]()
        except Exception as e:
            st.error(f"❌ Erro ao carregar modelo {model_key}: {str(e)}")
            logging.error(f"Erro ao carregar modelo {model_key}: {e}")
            sentry_sdk.capture_exception(e)
    return None

# --- Funções de Processamento ---
def validate_audio_file(file: UploadedFile) -> bool:
    valid_extensions = ['.wav', '.mp3', '.flac', '.m4a']
    return any(file.name.lower().endswith(ext) for ext in valid_extensions)

def validate_image_file(file: UploadedFile) -> bool:
    valid_extensions = ['.jpg', '.jpeg', '.png', '.bmp']
    if not any(file.name.lower().endswith(ext) for ext in valid_extensions):
        return False
    try:
        Image.open(file).verify()
        return True
    except Exception:
        return False

def process_audio_file(audio_file):
    try:
        with tempfile.NamedTemporaryFile(delete=False, suffix=os.path.splitext(audio_file.name)[1]) as tmp_file:
            tmp_file.write(audio_file.read())
            tmp_file_path = tmp_file.name
        
        audio_array, sample_rate = librosa.load(tmp_file_path, sr=16000)
        os.unlink(tmp_file_path)
        return audio_array
    except Exception as e:
        st.error(f"❌ Erro ao processar áudio: {str(e)}")
        logging.error(f"Erro no processamento de áudio: {e}")
        return None

def process_image_file(image_file):
    try:
        image = Image.open(image_file)
        if image.mode != 'RGB':
            image = image.convert('RGB')
        return image
    except Exception as e:
        st.error(f"❌ Erro ao processar imagem: {str(e)}")
        logging.error(f"Erro no processamento de imagem: {e}")
        return None

# --- Funções de Exibição de Resultados ---
def display_results(result, model_key, input_text=None):
    st.markdown("""<div class='result-box'>""", unsafe_allow_html=True)
    
    if model_key == 'summarization':
        st.subheader("📝 Resumo Gerado")
        if input_text:
            with st.expander("🔍 Texto Original"):
                st.write(input_text)
        st.info(result[0]['summary_text'])
    
    elif model_key == 'translation':
        st.subheader("🌍 Tradução")
        st.success(result[0]['translation_text'])
    
    elif model_key in ['sentiment_analysis', 'text_classification']:
        st.subheader("📊 Resultados")
        df = pd.DataFrame(result)
        df['score'] = df['score'].apply(lambda x: f"{x:.2%}")
        
        fig = px.bar(df, x='label', y='score', color='label', 
                     labels={'score': 'Confiança', 'label': 'Categoria'},
                     title="Distribuição de Probabilidades")
        st.plotly_chart(fig, use_container_width=True)
        
        for _, row in df.iterrows():
            st.progress(float(row['score'].strip('%'))/100, text=f"{row['label']} ({row['score']})")
    
    elif model_key == 'ner':
        st.subheader("🔍 Entidades Reconhecidas")
        entities = []
        for entity in result:
            entities.append({
                "Entidade": entity['word'],
                "Tipo": entity['entity_group'],
                "Confiança": f"{entity['score']:.2%}"
            })
        st.table(pd.DataFrame(entities))
    
    elif model_key == 'text_generation':
        st.subheader("🧠 Texto Gerado")
        st.write(result[0]['generated_text'])
    
    elif model_key == 'image_classification':
        st.subheader("🏷️ Classificação")
        top5 = result[:5]
        labels = [res['label'] for res in top5]
        scores = [res['score'] for res in top5]
        
        fig = px.bar(x=scores, y=labels, orientation='h', 
                     labels={'x': 'Confiança', 'y': 'Categoria'},
                     title="Top 5 Classificações")
        st.plotly_chart(fig, use_container_width=True)
    
    elif model_key == 'object_detection':
        st.subheader("📦 Objetos Detectados")
        objects = []
        for obj in result:
            objects.append({
                "Objeto": obj['label'],
                "Confiança": f"{obj['score']:.2%}"
            })
        st.table(pd.DataFrame(objects))
    
    elif model_key == 'image_segmentation':
        st.subheader("🧩 Segmentação")
        st.image(result[0]['mask'], caption="Máscara de segmentação", use_column_width=True)
    
    elif model_key == 'facial_recognition':
        st.subheader("😊 Reconhecimento Facial")
        df = pd.DataFrame(result[:3])
        df['score'] = df['score'].apply(lambda x: f"{x:.2%}")
        st.table(df[['label', 'score']])
    
    elif model_key == 'speech_to_text':
        st.subheader("🔈 Transcrição")
        st.success(result['text'])
    
    elif model_key == 'audio_classification':
        st.subheader("🎧 Classificação de Áudio")
        df = pd.DataFrame(result[:3])
        df['score'] = df['score'].apply(lambda x: f"{x:.2%}")
        st.table(df[['label', 'score']])
    
    elif model_key == 'text_to_image':
        st.subheader("🎨 Imagem Gerada")
        st.image(result[0], caption="Imagem gerada a partir do texto", use_column_width=True)
    
    st.markdown("</div>", unsafe_allow_html=True)

# --- Funções de Casos de Uso ---
def get_use_cases():
    """Retorna os casos de uso detalhados para cada modelo"""
    return {
        'sentiment_analysis': {
            'title': "📊 Análise de Sentimento em Redes Sociais",
            'description': "Identifique automaticamente o sentimento (positivo, negativo ou neutro) em comentários sobre sua marca.",
            'example': "Monitorar menções ao seu produto no Twitter para detectar insatisfação de clientes e responder rapidamente.",
            'benefit': "Redução de 40% no tempo de resposta a crises e aumento de 25% na satisfação do cliente.",
            'demo_input': "Adorei o novo design do produto! Mas a bateria poderia durar mais.",
            'demo_type': 'text',
            'model_key': 'sentiment_analysis'
        },
        'text_classification': {
            'title': "🗂️ Classificação Automática de Tickets",
            'description': "Classifique automaticamente tickets de suporte em categorias para roteamento eficiente.",
            'example': "Direcionar tickets técnicos para a equipe de engenharia e pedidos de reembolso para o financeiro.",
            'benefit': "Redução de 60% no tempo de resolução e aumento de 30% na precisão do encaminhamento.",
            'demo_input': "Meu pedido nº 12345 não chegou. Preciso de ajuda para rastrear.",
            'demo_type': 'text',
            'model_key': 'text_classification'
        },
        'summarization': {
            'title': "📑 Resumo Automático de Relatórios",
            'description': "Condense relatórios longos em resumos executivos de fácil compreensão.",
            'example': "Transformar relatórios financeiros trimestrais de 50 páginas em resumos de 1 página para a diretoria.",
            'benefit': "Economia de 15 horas/mês na análise de documentos e tomada de decisão mais ágil.",
            'demo_input': """A empresa reportou crescimento de 15% na receita no último trimestre, alcançando $120 milhões. 
            O aumento foi impulsionado pelo lançamento do novo produto X2, que contribuiu com $18 milhões em vendas. 
            Os custos operacionais aumentaram 5% devido a investimentos em logística.""",
            'demo_type': 'text',
            'model_key': 'summarization'
        },
        'question_answering': {
            'title': "❓ FAQ Inteligente para Suporte",
            'description': "Sistema automático de perguntas e respostas baseado em seus manuais e documentos.",
            'example': "Chatbot que responde perguntas técnicas sobre produtos diretamente do manual do usuário.",
            'benefit': "Redução de 50% no volume de chamadas para o suporte técnico.",
            'demo_input': {
                'context': "O produto X possui garantia de 24 meses. Para ativar, registre no site com a nota fiscal. Assistência técnica em 48h úteis.",
                'question': "Qual é o prazo da garantia?"
            },
            'demo_type': 'qa',
            'model_key': 'question_answering'
        },
        'translation': {
            'title': "🌍 Tradução de Conteúdo para Expansão Global",
            'description': "Traduza automaticamente conteúdo de marketing para novos mercados.",
            'example': "Traduzir descrições de produtos do inglês para português para lançamento no Brasil.",
            'benefit': "Redução de 70% nos custos com tradução humana e velocidade 10x maior.",
            'demo_input': "Our premium subscription offers ad-free experience and exclusive content.",
            'demo_type': 'text',
            'model_key': 'translation'
        },
        'ner': {
            'title': "🔍 Extração de Informações em Contratos",
            'description': "Identifique automaticamente partes, valores e prazos em documentos legais.",
            'example': "Extrair nomes das partes, valores e datas de vencimento em contratos de fornecedores.",
            'benefit': "Redução de 80% no tempo de revisão de contratos e menor risco de erros humanos.",
            'demo_input': "Acordo entre ABC Ltda (CNPJ 12.345/0001-01) e XYZ S.A. (CNPJ 98.765/0001-02) assinado em 15/01/2023.",
            'demo_type': 'text',
            'model_key': 'ner'
        },
        'text_generation': {
            'title': "✍️ Geração de Conteúdo para Marketing",
            'description': "Crie textos criativos para campanhas, anúncios e redes sociais.",
            'example': "Gerar variações de copywriting para campanhas de email marketing.",
            'benefit': "Aumento de 3x na produção de conteúdo e redução de custos com redatores.",
            'demo_input': "Escreva um anúncio criativo para um novo smartphone com câmera de 108MP:",
            'demo_type': 'text',
            'model_key': 'text_generation'
        },
        'image_classification': {
            'title': "🖼️ Controle de Qualidade Automatizado",
            'description': "Classifique automaticamente produtos em linhas de produção.",
            'example': "Identificar defeitos em peças manufaturadas usando imagens da linha de produção.",
            'benefit': "Aumento de 25% na detecção de defeitos e redução de 40% em retrabalhos.",
            'demo_input': None,
            'demo_type': 'image',
            'model_key': 'image_classification'
        },
        'object_detection': {
            'title': "📦 Monitoramento de Estoque Inteligente",
            'description': "Conte e identifique itens em prateleiras usando imagens.",
            'example': "Monitorar níveis de estoque em tempo real através de imagens de prateleiras.",
            'benefit': "Redução de 30% em rupturas de estoque e inventário 50% mais preciso.",
            'demo_input': None,
            'demo_type': 'image',
            'model_key': 'object_detection'
        },
        'image_segmentation': {
            'title': "🏥 Análise de Imagens Médicas",
            'description': "Segmentar áreas de interesse em exames de imagem.",
            'example': "Identificar tumores em ressonâncias magnéticas para auxílio diagnóstico.",
            'benefit': "Aumento de 20% na precisão diagnóstica e redução de 30% no tempo de análise.",
            'demo_input': None,
            'demo_type': 'image',
            'model_key': 'image_segmentation'
        },
        'facial_recognition': {
            'title': "😊 Análise de Satisfação do Cliente",
            'description': "Medir emoções de clientes em pontos de venda.",
            'example': "Analisar expressões faciais de clientes ao interagir com produtos em lojas.",
            'benefit': "Insights valiosos sobre preferências e pontos de dor dos clientes.",
            'demo_input': None,
            'demo_type': 'image',
            'model_key': 'facial_recognition'
        },
        'speech_to_text': {
            'title': "🎙️ Transcrição de Reuniões Automática",
            'description': "Converta gravações de reuniões em atas textuais automaticamente.",
            'example': "Transcrever reuniões de diretoria para criar registros acionáveis.",
            'benefit': "Economia de 5 horas/semana em documentação e maior precisão nos registros.",
            'demo_input': None,
            'demo_type': 'audio',
            'model_key': 'speech_to_text'
        },
        'audio_classification': {
            'title': "📞 Análise de Emoções em Call Center",
            'description': "Classifique o tom emocional de chamadas de suporte.",
            'example': "Identificar clientes frustrados para escalonamento prioritário.",
            'benefit': "Aumento de 35% na satisfação do cliente e redução de 25% no churn.",
            'demo_input': None,
            'demo_type': 'audio',
            'model_key': 'audio_classification'
        },
        'text_to_image': {
            'title': "🎨 Geração de Conteúdo Visual para Marketing",
            'description': "Crie imagens personalizadas para campanhas a partir de descrições textuais.",
            'example': "Gerar banners promocionais para campanhas de redes sociais.",
            'benefit': "Redução de 90% no tempo de produção visual e custos com designers.",
            'demo_input': "Uma paisagem futurista com carros voadores sobre uma cidade high-tech à noite",
            'demo_type': 'text',
            'model_key': 'text_to_image'
        }
    }

def handle_use_case_demo(models, use_case_key, use_case):
    """
    Executa e exibe a demonstração de um caso de uso específico
    
    Args:
        models: Dicionário de modelos carregados
        use_case_key: Chave identificadora do caso de uso
        use_case: Dicionário com configurações do caso de uso
    """
    if use_case['demo_input'] is None:
        st.warning("⚠️ Demonstração requer upload de arquivo")
        return
    
    st.markdown("""<div class='demo-box'>""", unsafe_allow_html=True)
    st.subheader("🚀 Demonstração Prática")
    
    try:
        # Carrega o modelo se necessário
        model = models.get(use_case_key)
        if model is None:
            with st.spinner(f"Carregando modelo {use_case_key.replace('_', ' ').title()}..."):
                model = load_model(use_case_key)
                models[use_case_key] = model
        
        if model is None:
            st.error("Falha ao carregar o modelo para demonstração")
            return
            
        # Processa conforme o tipo de demonstração
        if use_case['demo_type'] == 'text':
            with st.spinner("Analisando texto..."):
                result = model(use_case['demo_input'])
                display_demo_results(result, use_case_key, use_case['demo_input'])
                
        elif use_case['demo_type'] == 'qa':
            with st.spinner("Processando pergunta..."):
                result = model(
                    question=use_case['demo_input']['question'],
                    context=use_case['demo_input']['context']
                )
                st.success("💡 Resposta Encontrada")
                st.markdown(f"**Contexto:** {use_case['demo_input']['context']}")
                st.markdown(f"**Pergunta:** {use_case['demo_input']['question']}")
                st.markdown(f"**Resposta:** `{result['answer']}`")
                st.markdown(f"**Confiança:** {result['score']:.2%}")
                
    except Exception as e:
        st.error(f"❌ Falha na demonstração: {str(e)}")
        logging.error(f"Erro no caso de uso {use_case_key}: {str(e)}")
    finally:
        st.markdown("</div>", unsafe_allow_html=True)

def display_demo_results(result, model_key, input_text=None):
    """
    Exibe os resultados da demonstração formatados
    
    Args:
        result: Resultado retornado pelo modelo
        model_key: Identificador do modelo
        input_text: Texto original (opcional)
    """
    with st.expander("🔍 Detalhes da Análise", expanded=True):
        if input_text:
            st.markdown("**Entrada:**")
            st.write(input_text)
        
        st.markdown("**Resultados:**")
        
        if model_key in ['sentiment_analysis', 'text_classification']:
            for item in result:
                label = item['label']
                score = item['score']
                st.progress(float(score), 
                           text=f"{label} ({score:.2%})")
        
        elif model_key == 'summarization':
            st.markdown("**Resumo Gerado:**")
            st.info(result[0]['summary_text'])
        
        elif model_key == 'translation':
            st.markdown("**Tradução:**")
            st.success(result[0]['translation_text'])
        
        elif model_key == 'ner':
            st.markdown("**Entidades Identificadas:**")
            for entity in result:
                st.write(f"- {entity['word']} ({entity['entity_group']})")
        
        elif model_key == 'text_generation':
            st.markdown("**Texto Gerado:**")
            st.write(result[0]['generated_text'])
        
        elif model_key == 'text_to_image':
            st.image(result[0], caption="Imagem gerada pelo modelo")

def render_use_cases(models):
    """
    Renderiza todos os casos de uso na interface
    
    Args:
        models: Dicionário de modelos carregados
    """
    st.header("📂 Casos de Uso Práticos")
    st.markdown("Explore exemplos reais de aplicação dos nossos modelos de IA")
    
    use_cases = get_use_cases()
    
    for key, case in use_cases.items():
        with st.container():
            st.subheader(case['title'])
            st.markdown(f"**{case['description']}**")
            
            with st.expander("ℹ️ Detalhes do Caso de Uso", expanded=False):
                st.markdown(f"📌 **Exemplo Prático:** {case['example']}")
                st.markdown(f"✅ **Benefício:** {case['benefit']}")
            
            # Seção de demonstração interativa
            if case.get('demo_input') is not None:
                if st.button(
                    "▶ Executar Demonstração", 
                    key=f"demo_{key}",
                    type="primary",
                    help=f"Testar {case['title'].split(' ')[-1]} com dados de exemplo"
                ):
                    handle_use_case_demo(models, key, case)
            else:
                st.warning("Demonstração requer upload de arquivo específico")
            
            st.divider()
# --- Layout e Componentes ---
def load_branding(username):
    branding = {
        'admin': {'logo': None, 'title': 'Bem-vindo, Administrador!', 'color': '#2c3e50'},
        'cliente': {'logo': None, 'title': 'Bem-vindo, Cliente!', 'color': '#3498db'},
        'empresa1': {'logo': None, 'title': 'Bem-vindo, Empresa Um!', 'color': '#e74c3c'}
    }
    return branding.get(username, {'logo': None, 'title': 'Bem-vindo!', 'color': '#3498db'})

def feature_card(title, description, icon):
    return f"""
    <div class="card">
        <div class="feature-icon">{icon}</div>
        <h3>{title}</h3>
        <p>{description}</p>
    </div>
    """

def render_login(authenticator):
    st.title("AiiT Services - Plataforma de IA")
    st.markdown("""
    <div style="text-align:center; margin-bottom:30px;">
        <h2 style="color:#2c3e50;">Inteligência Artificial Multi-Modal</h2>
        <p style="font-size:1.1rem;">Soluções avançadas de IA para análise de texto, imagem e áudio</p>
    </div>
    """, unsafe_allow_html=True)
    
    cols = st.columns(3)
    with cols[0]:
        st.markdown(feature_card("Texto Inteligente", "Análise, classificação e geração de texto", "📝"), unsafe_allow_html=True)
    with cols[1]:
        st.markdown(feature_card("Visão Computacional", "Reconhecimento de imagens e objetos", "🖼️"), unsafe_allow_html=True)
    with cols[2]:
        st.markdown(feature_card("Processamento de Áudio", "Transcrição e análise de sentimentos em áudio", "🎵"), unsafe_allow_html=True)
    
    authenticator.login(location='main')

def render_main_interface(authenticator, config, models):
    name = st.session_state["name"]
    username = st.session_state["username"]
    role = st.session_state.get("role") or config['credentials']['usernames'][username]['role']
    
    branding = load_branding(username)
    st.sidebar.title(f"👤 {name}")
    authenticator.logout("Sair", "sidebar")
    
    if role == "admin":
        admin_panel(authenticator)
    
    st.title(f"{branding['title']}")
    st.markdown(f"<style>.sidebar .sidebar-content {{background: {branding['color']};}}</style>", unsafe_allow_html=True)
    
    model_categories = {
        "📝 Processamento de Texto": [
            ("Análise de Sentimento", "sentiment_analysis"),
            ("Classificação de Texto", "text_classification"),
            ("Resumo de Texto", "summarization"),
            ("Perguntas e Respostas", "question_answering"),
            ("Tradução (EN→PT)", "translation"),
            ("Reconhecimento de Entidades", "ner"),
            ("Geração de Texto", "text_generation")
        ],
        "🖼️ Processamento de Imagem": [
            ("Classificação de Imagem", "image_classification"),
            ("Detecção de Objetos", "object_detection"),
            ("Segmentação de Imagem", "image_segmentation"),
            ("Reconhecimento Facial", "facial_recognition")
        ],
        "🎵 Processamento de Áudio": [
            ("Transcrição de Áudio", "speech_to_text"),
            ("Classificação de Emoções", "audio_classification")
        ],
        "✨ Modelos Generativos": [
            ("Texto para Imagem", "text_to_image")
        ]
    }
    
    tab1, tab2 = st.tabs(["🧠 Explorar Modelos", "💼 Casos de Uso"])
    
    with tab1:
        selected_category = st.sidebar.selectbox(
            "Categoria",
            list(model_categories.keys()),
            index=0
        )
        
        selected_model = st.sidebar.selectbox(
            "Modelo", 
            [name for name, key in model_categories[selected_category]],
            index=0
        )
        
        model_key = next(key for name, key in model_categories[selected_category] if name == selected_model)
        
        st.header(f"{selected_model}")
        st.markdown(f"<div class='card'>", unsafe_allow_html=True)
        
        if model_key not in models:
            models[model_key] = load_model(model_key)
            
        if not models[model_key]:
            st.error("❌ Modelo não disponível")
            return
            
        try:
            if model_key in ['sentiment_analysis', 'text_classification', 'summarization', 
                            'translation', 'text_generation', 'ner']:
                handle_text_models(models, model_key, selected_model)
            
            elif model_key == 'question_answering':
                handle_qa_model(models, model_key)
            
            elif model_key in ['image_classification', 'object_detection', 
                              'image_segmentation', 'facial_recognition']:
                handle_image_models(models, model_key, selected_model)
            
            elif model_key in ['speech_to_text', 'audio_classification']:
                handle_audio_models(models, model_key)
            
            elif model_key == 'text_to_image':
                handle_generative_models(models, model_key)
            
        except Exception as e:
            st.error(f"❌ Erro durante a execução: {str(e)}")
        
        st.markdown("</div>", unsafe_allow_html=True)
        
    with tab2:
        st.header("💼 Casos de Uso Práticos")
        st.markdown("Explore aplicações reais de nossos modelos de IA")
        
        use_cases = get_use_cases()
        cols = st.columns(2)
        
        for idx, (key, case) in enumerate(use_cases.items()):
            with cols[idx % 2]:
                st.markdown(f"""
                <div class="use-case-card">
                    <h4>{case['title']}</h4>
                    <p><strong>Descrição:</strong> {case['description']}</p>
                    <p><strong>Benefício:</strong> {case['benefit']}</p>
                    <button class="btn-primary" onclick="window['useCase_{key}'].click()">Ver Demonstração</button>
                </div>
                """, unsafe_allow_html=True)
                
                if st.button("Ver Demonstração", key=f"useCase_{key}"):
                    handle_use_case_demo(models, key, case)

# --- Handlers para Tipos de Modelos ---
def handle_text_models(models, model_key, model_name):
    examples = {
        'sentiment_analysis': "A entrega foi super rápida, adorei!",
        'text_classification': "Estou insatisfeito com o produto",
        'summarization': "A empresa XYZ reportou crescimento de 15% no último trimestre...",
        'translation': "Our product ensures high performance",
        'ner': "Microsoft assinou contrato com a empresa XYZ em Nova York",
        'text_generation': "Um futuro onde a tecnologia conecta todos"
    }
    
    col1, col2 = st.columns([0.85, 0.15])
    with col1:
        input_text = st.text_area(
            f"Digite o texto para {model_name.lower()}:", 
            height=200,
            placeholder="Cole ou digite seu texto aqui..."
        )
    with col2:
        st.write("")
        st.write("")
        if st.button("📋 Exemplo", use_container_width=True):
            input_text = examples.get(model_key, "")
    
    advanced_params = {}
    if model_key == 'summarization':
        with st.expander("⚙️ Parâmetros Avançados"):
            advanced_params['max_length'] = st.slider("Comprimento máximo", 50, 300, 150)
            advanced_params['min_length'] = st.slider("Comprimento mínimo", 10, 100, 30)
    
    if model_key == 'text_generation':
        with st.expander("⚙️ Parâmetros Avançados"):
            advanced_params['max_length'] = st.slider("Comprimento do texto", 50, 500, 100)
            advanced_params['temperature'] = st.slider("Criatividade", 0.1, 1.0, 0.7)
            advanced_params['num_return_sequences'] = st.slider("Número de resultados", 1, 5, 1)
    
    if st.button(f"🚀 Executar {model_name}", type="primary", use_container_width=True):
        if input_text.strip():
            with st.spinner("Processando..."):
                try:
                    result = models[model_key](input_text, **advanced_params)
                    display_results(result, model_key, input_text=input_text)
                except Exception as e:
                    st.error(f"❌ Erro ao processar texto: {str(e)}")
        else:
            st.warning("⚠️ Por favor, insira um texto válido")

def handle_qa_model(models, model_key):
    col1, col2 = st.columns(2)
    with col1:
        context = st.text_area(
            "Contexto:", 
            height=200,
            placeholder="Texto contendo a informação...",
            value="O produto X tem garantia de 2 anos e pode ser configurado via aplicativo em 5 minutos."
        )
    with col2:
        question = st.text_area(
            "Pergunta:", 
            height=150,
            placeholder="Faça sua pergunta sobre o contexto...",
            value="Qual é o tempo de garantia do produto X?"
        )
    
    with st.expander("⚙️ Parâmetros Avançados"):
        confidence_threshold = st.slider("Limite de confiança", 0.0, 1.0, 0.5, 0.01)
    
    if st.button("🚀 Executar Pergunta e Resposta", type="primary", use_container_width=True):
        if context.strip() and question.strip():
            with st.spinner("Buscando resposta..."):
                try:
                    result = models[model_key](question=question, context=context)
                    
                    if result['score'] < confidence_threshold:
                        st.warning(f"⚠️ Confiança baixa na resposta ({result['score']:.2%})")
                    
                    st.success("🔍 Resposta encontrada:")
                    st.markdown(f"**Pergunta:** {question}")
                    st.markdown(f"**Resposta:** {result['answer']}")
                    st.markdown(f"**Confiança:** {result['score']:.2%}")
                except Exception as e:
                    st.error(f"❌ Erro ao processar Q&A: {str(e)}")
        else:
            st.warning("⚠️ Preencha o contexto e a pergunta")

def handle_image_models(models, model_key, model_name):
    uploaded_file = st.file_uploader(
        "Carregue uma imagem", 
        type=["jpg", "png", "jpeg", "bmp"],
        help="Formatos suportados: JPG, PNG, JPEG, BMP"
    )
    
    if uploaded_file:
        if not validate_image_file(uploaded_file):
            st.error("⚠️ Formato inválido ou arquivo corrompido")
            return
            
        col1, col2 = st.columns(2)
        
        with col1:
            st.subheader("🖼️ Imagem Original")
            image = process_image_file(uploaded_file)
            if image:
                st.image(image, use_column_width=True)
        
        with col2:
            st.subheader("📊 Resultados")
            if st.button(f"🚀 Executar {model_name}", type="primary", use_container_width=True):
                if image:
                    with st.spinner("Analisando imagem..."):
                        try:
                            result = models[model_key](image)
                            display_results(result, model_key)
                        except Exception as e:
                            st.error(f"❌ Erro ao processar imagem: {str(e)}")

def handle_audio_models(models, model_key):
    model_name = "Transcrição de Áudio" if model_key == 'speech_to_text' else "Classificação de Áudio"
    
    uploaded_file = st.file_uploader(
        f"Carregue um arquivo de áudio para {model_name}", 
        type=["wav", "mp3", "flac", "m4a"],
        help="Formatos suportados: WAV, MP3, FLAC, M4A"
    )
    
    if uploaded_file:
        if not validate_audio_file(uploaded_file):
            st.error("⚠️ Formato de arquivo não suportado")
            return
            
        st.audio(uploaded_file, format="audio/wav")
        
        if st.button(f"🚀 Executar {model_name}", type="primary", use_container_width=True):
            with st.spinner("Processando áudio..."):
                try:
                    audio_array = process_audio_file(uploaded_file)
                    if audio_array is not None:
                        result = models[model_key](audio_array)
                        display_results(result, model_key)
                except Exception as e:
                    st.error(f"❌ Erro ao processar áudio: {str(e)}")

def handle_generative_models(models, model_key):
    prompt = st.text_area(
        "Descrição da imagem:",
        height=150,
        placeholder="Descreva a imagem que deseja gerar...",
        value="Uma paisagem tropical ao pôr do sol"
    )
    
    with st.expander("⚙️ Parâmetros Avançados"):
        cols = st.columns(2)
        with cols[0]:
            width = st.slider("Largura", 256, 1024, 512, 64)
        with cols[1]:
            height = st.slider("Altura", 256, 1024, 512, 64)
        num_images = st.slider("Número de imagens", 1, 4, 1)
        guidance_scale = st.slider("Escala de orientação", 1.0, 20.0, 7.5)
    
    if st.button("🚀 Gerar Imagem", type="primary", use_container_width=True):
        if prompt.strip():
            with st.spinner("Criando imagem..."):
                try:
                    result = models[model_key](
                        prompt,
                        height=height,
                        width=width,
                        num_images_per_prompt=num_images,
                        guidance_scale=guidance_scale
                    ).images
                    display_results(result, model_key)
                except Exception as e:
                    st.error(f"❌ Erro ao gerar imagem: {str(e)}")
        else:
            st.warning("⚠️ Insira uma descrição para a imagem")

# --- Função Principal ---
def main():
    init_db()
    config = load_users_from_db()
    
    if not config:
        st.error("⚠️ Sistema de autenticação não configurado")
        return
        
    authenticator = stauth.Authenticate(
        config['credentials'],
        config['cookie']['name'],
        config['cookie']['key'],
        config['cookie']['expiry_days']
    )
    
    if 'authentication_status' not in st.session_state:
        st.session_state.authentication_status = None
        
    if st.session_state.get("authentication_status"):
        models = st.session_state.setdefault("models", {})
        render_main_interface(authenticator, config, models)
        
        # Moved inside the authenticated block
        tab1, tab2 = st.tabs(["Modelos", "Casos de Uso"])
        with tab2:
            render_use_cases(models)  # Renderiza todos os casos de uso
    else:
        render_login(authenticator)
        
        if st.session_state.get("authentication_status") is False:
            st.error("❌ Credenciais inválidas")
        elif st.session_state.get("authentication_status") is None:
            st.info("🔑 Faça login para acessar a plataforma")
    
    

if __name__ == "__main__":
    main()