Brand Verification System

Un système sophistiqué de vérification de propriété des marques utilisant l'IA pour analyser et valider les relations entre les marques et leurs propriétaires.

Objectif

Ce projet vise à automatiser la vérification de la propriété des marques en utilisant l'IA pour analyser les sources officielles et déterminer avec précision les relations entre les marques et leurs propriétaires.

Structure du Projet

Carrefour-Project/
├── brand_verification/              # Module principal de vérification
│   ├── brand_verification.py       # Script de vérification des marques
│   └── README.md                   # Documentation spécifique au module
│
├── brand_verification_multiprocessing/  # Module d'optimisation
│   ├── brand_verification_multiprocessing.py  # Version parallélisée
│   └── README.md                   # Documentation spécifique au module
│
├── brand_analysis/                 # Module d'analyse
│   ├── brand_analysis.py          # Outil d'analyse des marques
│   └── README.md                  # Documentation spécifique au module
│
├── docs/                          # Documentation générale
│   ├── strategy.md               # Stratégie de code employée
│   ├── code_explanation.md       # Explication détaillée du code
│   └── cost_analysis.md          # Analyse des coûts du système
│
├── Carrefour Geniathon - Tableau origine.csv  # Fichier source des données
├── requirements.txt              # Dépendances Python
└── LICENSE                       # Licence MIT

Modules

1. Brand Verification

Le module principal de vérification des marques, opérationnel et prêt à l'emploi.

• Vérification systématique des marques
• Calcul de score de confiance sophistiqué
• Gestion intelligente des sources
• Documentation complète dans brand_verification/README.md

2. Brand Verification Multiprocessing

Version optimisée pour le traitement parallèle (en développement).

• Optimisation pour les grands volumes
• Utilisation du multiprocessing Python
• Documentation dans brand_verification_multiprocessing/README.md

3. Brand Analysis

Outil d'analyse des marques et de leurs relations (en développement).

• Détection de marques manquantes
• Analyse des relations entre marques
• Documentation dans brand_analysis/README.md

Installation

1. Prérequis

• Python 3.8 ou supérieur
• Docker (recommandé pour Perplexica)
• Ollama (pour les modèles locaux)

2. Installation de Docker

macOS

1. Téléchargez Docker Desktop depuis docker.com
2. Installez l'application en la glissant dans le dossier Applications
3. Lancez Docker Desktop et attendez que l'icône dans la barre de menu indique que Docker est prêt

Windows

1. Téléchargez Docker Desktop depuis docker.com
2. Exécutez l'installateur et suivez les instructions
3. Redémarrez votre ordinateur si demandé
4. Lancez Docker Desktop depuis le menu Démarrer

Linux (Ubuntu)

# Mise à jour des paquets
sudo apt update
sudo apt upgrade

# Installation des prérequis
sudo apt install apt-transport-https ca-certificates curl software-properties-common

# Ajout de la clé GPG Docker
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -

# Ajout du dépôt Docker
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"

# Installation de Docker
sudo apt update
sudo apt install docker-ce

# Vérification de l'installation
sudo docker run hello-world

3. Installation de Perplexica

Il y a deux façons d'installer Perplexica - Avec Docker (recommandé) ou Sans Docker.

Installation avec Docker (Recommandé)

1. Assurez-vous que Docker est installé et en cours d'exécution sur votre système.

2. Clonez le dépôt Perplexica :

git clone https://github.com/ItzCrazyKns/Perplexica.git

3. Naviguez vers le répertoire du projet et renommez sample.config.toml en config.toml.

4. Configurez le fichier config.toml :

   • OPENAI : Votre clé API OpenAI (si vous utilisez les modèles OpenAI)
   • OLLAMA : URL de l'API Ollama (http://host.docker.internal:11434 par défaut)
   • GROQ : Votre clé API Groq (si vous utilisez les modèles Groq)
   • ANTHROPIC : Votre clé API Anthropic (si vous utilisez les modèles Anthropic)

5. Lancez Perplexica avec Docker :

docker compose up -d

6. Accédez à Perplexica via http://localhost:3000

4. Installation du Projet

1. Clonez le dépôt :

git clone https://github.com/valleg12/Carrefour-Project.git
cd Carrefour-Project

2. Installez les dépendances Python :

pip install -r requirements.txt

Utilisation

Vérification Standard

python brand_verification/brand_verification.py

Vérification avec Multiprocessing

python brand_verification_multiprocessing/brand_verification_multiprocessing.py

Analyse des Marques

python brand_analysis/brand_analysis.py

Documentation

La documentation est organisée en plusieurs niveaux :

1. Documentation par Module

   • Chaque module possède son propre README.md détaillé
   • Explications spécifiques et cas d'utilisation

2. Documentation Générale (dossier docs/)

   • strategy.md : Stratégie de code employée
   • code_explanation.md : Explication détaillée du code
   • cost_analysis.md : Analyse des coûts du système

Fonctionnalités

• Vérification systématique des marques
• Calcul de score de confiance sophistiqué
• Gestion intelligente des sources
• Optimisation des performances
• Structure de données claire
• Système de vérification manuelle
• Gestion des relations complexes
• Interface utilisateur informative

Contribution

Les contributions sont les bienvenues ! Veuillez :

1. Fork le projet
2. Créer une branche pour votre fonctionnalité
3. Commiter vos changements
4. Pousser vers la branche
5. Ouvrir une Pull Request

Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.