🌍 EcoTravel Agent - Sistema Inteligente de Viagens Sustentáveis com RL

Trabalho Prático 5 - Agentes com LLMs
Disciplina: PPGINF528 - Tópicos Especiais em Recuperação da Informação - NLP Professores: Prof. Dr. André Carvalho e Prof. Dr. Altigran da Silva Universidade Federal do Amazonas (UFAM)

👥 Aluno:

• Acauan Cardoso Ribeiro - Matrícula: 3240232

📋 Visão Geral do Projeto

O EcoTravel Agent é um sistema inteligente que combina Reinforcement Learning, RAG (Retrieval-Augmented Generation) e múltiplas ferramentas para planejar viagens sustentáveis. O sistema utiliza um agente baseado em LLM que aprende a selecionar otimamente entre diferentes ferramentas para responder queries sobre turismo ecológico.

🎯 Objetivo Principal

Desenvolver um agente inteligente capaz de:

• Processar consultas sobre viagens sustentáveis
• Selecionar automaticamente a ferramenta mais adequada (RAG, APIs, Calculadoras)
• Fornecer respostas precisas sobre destinos eco-friendly e pegada de carbono
• Aprender e otimizar suas decisões através de Reinforcement Learning

🔧 Tecnologias Utilizadas

• LLM Base: OpenAI GPT (via LangChain)
• Reinforcement Learning: PPO (Proximal Policy Optimization) com Stable-Baselines3
• RAG System: Sentence Transformers + FAISS + BM25
• Ferramentas: APIs de clima, calculadora de CO2, busca web
• Ambiente: Gymnasium customizado
• Visualização: Matplotlib, Plotly, Streamlit

🚀 Guia de Execução para o Professor

⚡ Execução Rápida (5 minutos)

# 1. Clonar o repositório
git clone https://github.com/acauanrr/projeto-ecotravel.git
cd projeto-ecotravel

# 2. Criar ambiente virtual
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# OU
.venv\Scripts\activate     # Windows

# 3. Instalar dependências
pip install -r requirements.txt

# 4. Executar o notebook principal
jupyter notebook EcoTravel_Agent_RL_Local_Completo.ipynb

📋 Pré-requisitos

• Python: 3.8 ou superior
• Memória RAM: Mínimo 8GB (recomendado 16GB)
• Espaço em disco: 2GB livres
• GPU: Opcional (CUDA compatível para aceleração)

🔧 Instalação Detalhada

Passo 1: Preparação do Ambiente

# Verificar versão do Python
python --version  # Deve ser 3.8+

# Criar ambiente virtual isolado
python -m venv .venv

# Ativar ambiente virtual
# Linux/Mac:
source .venv/bin/activate
# Windows:
.venv\Scripts\activate

# Atualizar pip
pip install --upgrade pip

Passo 2: Instalação de Dependências

# Instalar todas as dependências do projeto
pip install -r requirements.txt

# Verificar instalação das principais bibliotecas
python -c "
import langchain
import sentence_transformers
import gymnasium
import stable_baselines3
import matplotlib
import pandas
print('✅ Todas as dependências instaladas com sucesso!')
"

Passo 3: Configuração de APIs (Opcional)

# Criar arquivo .env para APIs (opcional - o sistema funciona sem)
echo 'OPENAI_API_KEY=sua_chave_aqui' > .env
echo 'GOOGLE_API_KEY=sua_chave_aqui' >> .env

Nota: O sistema funciona completamente sem APIs externas. As chaves são opcionais para funcionalidades avançadas.

📓 Executando o Notebook Principal

Opção 1: Jupyter Notebook (Recomendado)

# Instalar Jupyter se não tiver
pip install jupyter

# Iniciar Jupyter
jupyter notebook

# Abrir: EcoTravel_Agent_RL_Local_Completo.ipynb

Opção 2: Google Colab

1. Fazer upload do arquivo EcoTravel_Agent_RL_Local_Completo.ipynb
2. Executar a primeira célula para instalar dependências
3. Executar as células sequencialmente

Opção 3: VS Code

# Instalar extensão Python + Jupyter no VS Code
# Abrir o arquivo .ipynb
# Executar células com Ctrl+Enter

🧪 Teste de Verificação

Execute este comando para verificar se tudo está funcionando:

python -c "
import sys
sys.path.append('.')

# Teste básico do sistema
from src.rag.enhanced_rag_system import EnhancedRAGSystem
from src.tools.carbon_calculator import CarbonCalculator
from src.rl.environment import EcoTravelRLEnvironment

print('🧪 Testando componentes...')

# Teste RAG
rag = EnhancedRAGSystem()
rag.load_data()
print('✅ Sistema RAG funcionando')

# Teste Calculadora
calc = CarbonCalculator()
result = calc.calculate_carbon_footprint('aviao_domestico', 500, True)
print(f'✅ Calculadora CO2: {result[\"total_emissions_kg\"]} kg')

# Teste Ambiente RL
env = EcoTravelRLEnvironment(use_advanced_embeddings=False)
state, _ = env.reset()
print(f'✅ Ambiente RL: {state.shape} dimensões')

print('🎉 Todos os componentes funcionando!')
"

📊 Estrutura do Projeto

projeto-ecotravel/
├── 📓 EcoTravel_Agent_RL_Local_Completo.ipynb  # NOTEBOOK PRINCIPAL
├── 📂 src/                                      # Código fonte
│   ├── rag/
│   │   └── enhanced_rag_system.py              # Sistema RAG avançado
│   ├── tools/
│   │   ├── carbon_calculator.py                # Calculadora de CO2
│   │   ├── weather_api.py                      # API de clima
│   │   └── web_search.py                       # Busca web
│   ├── rl/
│   │   ├── environment.py                      # Ambiente Gymnasium
│   │   └── rl_agent.py                         # Agente PPO
│   └── agent/
│       └── ecotravel_agent_rl.py               # Agente principal
├── 📂 data/                                    # Base de conhecimento
│   ├── guias/                                  # Guias de turismo sustentável
│   ├── emissoes/                               # Dados de emissões CO2
│   └── avaliacoes/                             # Avaliações de hotéis
├── 📂 docs/                                    # Documentação
├── 📄 requirements.txt                         # Dependências Python
└── 📄 README.md                               # Este arquivo

🎯 Avaliação do Projeto

1. Execução do Notebook

Execute o notebook EcoTravel_Agent_RL_Local_Completo.ipynb célula por célula:

• Células 1-4: Instalação e configuração (deve executar sem erros)
• Células 5-6: Testes de integração (verificar se componentes funcionam)
• Células 7-10: Treinamento do agente RL (observar métricas de aprendizado)
• Células 11-14: Sistema integrado e demonstrações (testar queries)
• Células 15-18: Análise de performance e relatórios

2. Funcionalidades Principais

Teste as seguintes funcionalidades:

# No notebook, execute:
result = agent.process_query("Quais são os destinos sustentáveis no Nordeste?")
print(result)

# Deve retornar informações relevantes usando o sistema RAG

# Teste da calculadora de CO2:
result = agent.process_query("Calcule emissões de um voo São Paulo - Salvador")
print(result)

# Deve calcular e retornar emissões em kg de CO2

3. Reinforcement Learning

Observe na célula 10 do notebook:

• Treinamento do agente PPO
• Melhoria das métricas ao longo do tempo
• Seleção inteligente de ferramentas

4. Qualidade do Código (10 pontos)

• Código bem estruturado e documentado
• Tratamento de erros robusto
• Arquitetura modular

📈 Resultados Esperados

Ao executar o notebook, você deve observar:

1. Sistema RAG: Busca informações em guias de turismo sustentável
2. Calculadora CO2: Calcula emissões para diferentes transportes
3. Agente RL: Aprende a selecionar a ferramenta mais adequada
4. Integração: Sistema completo respondendo queries complexas

Exemplo de Saída:

🔍 Processando: 'Quais são os destinos sustentáveis no Nordeste?'
📋 Tipo identificado: travel
🛠️ Ferramenta selecionada: rag

📊 Resultado (Ferramenta: rag):
✓ Contexto encontrado: Fernando de Noronha oferece turismo sustentável com...
✓ Fontes consultadas: 5 documentos

🔧 Solução de Problemas

Problema: Erro de dependência

# Solução:
pip install --upgrade pip
pip install -r requirements.txt --force-reinstall

Problema: Jupyter não encontra kernel

# Solução:
python -m ipykernel install --user --name=.venv

Problema: Erro de memória

# Solução: Reduzir batch size no notebook
# Modificar na célula 10: batch_size=32 para batch_size=16

Problema: GPU não detectada

# Verificar CUDA:
python -c "import torch; print(torch.cuda.is_available())"

# Se False, o sistema funcionará em CPU (mais lento, mas funcional)

📚 Documentação Adicional

• Relatório Técnico: Veja docs/relatorio_tecnico.pdf
• Arquitetura: Documentação em docs/arquitetura.md
• API Reference: Documentação das classes em docs/api/

🏆 Critérios de Avaliação Atendidos

✅ Implementação de Agente com LLM: Sistema completo com LangChain
✅ Múltiplas Ferramentas: RAG, APIs, Calculadoras integradas
✅ Reinforcement Learning: PPO para otimização de seleção
✅ Base de Conhecimento: RAG com dados reais de turismo sustentável
✅ Métricas e Avaliação: Dashboard completo com visualizações
✅ Código Limpo: Bem estruturado e documentado
✅ Funcionalidade Completa: Sistema end-to-end operacional

📞 Suporte

Em caso de dúvidas na execução:

1. Primeiro: Verifique se todas as dependências estão instaladas
2. Segundo: Execute o teste de verificação acima
3. Terceiro: Consulte a seção "Solução de Problemas"
4. Último recurso: Contate os desenvolvedor - whtas para Acauan (95) 98111-2506

---

🌍 Sistema completo de viagens sustentáveis com IA - Pronto para avaliação!