# albexos21/tfg architecture

> Architecture diagram of the GitHub repository albexos21/tfg, generated by GitDiagram from its file tree, README and a sample of source files (last updated 2025-03-31). It is an AI-made overview: check details against the source.

- Interactive diagram: https://gitdiagram.com/albexos21/tfg
- Repository: https://github.com/albexos21/tfg

## Overview

A continuación te proporciono una explicación detallada para dibujar un diagrama de arquitectura que refleje de manera precisa y comprensible el diseño del sistema de análisis de sentimientos y polarización en reseñas de videojuegos.

##### Identificación del proyecto
- Tipo de proyecto: Se trata de una aplicación full-stack cuyo propósito es analizar sentimientos y detectar polarización en reseñas de videojuegos. Además, integra la extracción de datos desde una API (Steam), procesamiento mediante un modelo de lenguaje (Llama 3.2 3B fine-tuned) y visualiza resultados mediante reportes gráficos.
- Roles principales: Procesamiento y análisis de datos, almacenamiento en base de datos (MySQL), visualización de resultados (frontend en React) y entrenamiento/inferencia del modelo NLP.

##### Componentes clave a incluir en el diagrama

a. Frontend:
- Representa la interfaz de usuario ubicada en el directorio "web/SteamSA-Polarization".
- Indicaciones: Usa React, y muestra cómo los componentes (p. ej., NavBar, Tarjetero, ListaBusqueda, páginas Home y ProductDetail) se integran para mostrar reportes visuales y resultados del análisis.

b. Backend:
- Se encuentra en el directorio "server", donde se ubican archivos como app.py, scripts de análisis (ejecucion_modelo_para_resumen.py, ejecucion_modelo_paralelizado_real.py) y otros de inserción de reseñas.
- Importa módulos de análisis estadístico (analisis_estadistico) y orquesta la comunicación con el frontend.
- Se recomienda también mostrar los puntos de entrada API y las rutas que facilitan la interacción entre el frontend y el procesamiento de datos.

c. Motor del modelo de NLP:
- Ubicado en el directorio "IA" y sus subdirectorios. Este componente contiene:
- El modelo Llama 3.2 3B fine-tuned ("Llama-3.2-3B-ReviewsFineTuning") y sus datos asociados (configuraciones, tokens, etc.).
- Los puntos de entrenamiento y checkpoints guardados en "outputs" y los entrenadores compilados en "unsloth_compiled_cache".
- En el diagrama, representa esta parte como el núcleo del procesamiento de lenguaje, indicando que es responsable del análisis de sentimientos y polarización.

d. Base de datos:
- Se utiliza MySQL, y el proceso de inicialización se encuentra en "setup/database/scripts/creacion_base_de_datos.sql" junto con scripts de inserción.
- Dibuja una conexión entre el backend y la base de datos para almacenar productos, reseñas y resultados de análisis.

e. Pipeline de datos y configuración:
- Muestra la extracción de datos desde la API de Steam usando scripts en "setup/api_steam" (ej. recoger_reseñas_articulo.py) y su procesamiento.
- Asegúrate de incluir los scripts presentes en "setup" (entrenamiento_ia.py, etc.) que conectan la actualización y entrenamiento del modelo con el resto del sistema.

##### Relaciones e interacciones entre componentes
- El Frontend consulta al Backend a través de APIs REST para obtener datos y reportes.
- El Backend recibe datos de la API de Steam (a través de scripts o tareas programadas en "setup/api_steam") y se comunica con la base de datos MySQL para almacenar y recuperar información.
- El Backend también interactúa con el motor de NLP (directamente o mediante llamadas a scripts en "server") para procesar las reseñas, invocar el modelo fine-tuned y obtener la clasificación de sentimientos y polarización.
- Los resultados del análisis se usan para generar gráficos (usando librerías como Matplotlib y Seaborn) y se sirven al usuario en el Frontend.

##### Patrón arquitectónico y diseño
- Se observa separación de responsabilidades típica de un proyecto full-stack:
- Capa de presentación (React).
- Capa de negocio/servicios (Flask en el Backend).
- Capa de datos (MySQL).
- Componente especializado de IA/NLP que sigue un patrón modular y permite el entrenamiento y despliegue de modelos.
- Cada uno de estos componentes se comunica mediante APIs o conexiones directas (p. ej., el backend accediendo a la base de datos y al motor del modelo).

##### Tecnologías y librerías destacadas
- Frontend: React, Node.js, Vite (configurado en vite.config.js).
- Backend: Flask con Python.
- Modelo de NLP: PyTorch, Hugging Face Transformers (integración con Llama 3.2 3B fine-tuned), y scripts relacionados para diferentes estrategias de entrenamiento.
- Base de datos: MySQL, configurada e inicializada mediante scripts SQL.
- Gráficas: Matplotlib y Seaborn para reportes visuales.

##### Directrices para el diagramador
- Asegúrate de etiquetar claramente cada componente (por ejemplo: “Frontend (React)”, “Backend (Flask)”, “Modelo de NLP (Llama 3.2 3B Fine-tuned)”, “Base de Datos (MySQL)”).
- Utiliza flechas direccionales para indicar flujos de datos:
- Por ejemplo, conecta "API de Steam (setup/api_steam)" → "Backend (Flask)" → "Procesamiento NLP" y "Base de Datos".
- Conecta "Backend" ↔ "Frontend" para la interacción de solicitudes y respuestas.
- Emplea colores o formas diferentes para distinguir entre componentes de procesamiento (backend, IA), almacenamiento (base de datos) y presentación (frontend).
- Incluye también áreas dedicadas a la configuración, como pipelines de entrenamiento e inserción de datos, para representar el entorno completo del sistema.
- Resalta con notas o leyendas patrones de diseño usados, como la separación en capas, integración con APIs de terceros y modularidad del modelo NLP.

En conclusión, el diagrama debe ser muy detallado, abarcando todos los subsistemas:
- Extraer datos desde Steam utilizando scripts de API.
- Procesar y clasificar reseñas mediante el modelo de NLP (con sus distintos puntos de entrenamiento y checkpoints).
- Almacenar información en MySQL.
- Servir los resultados y reportes visuales a través de una interfaz de usuario React.
- Mostrar las interacciones entre estos componentes mediante líneas y flechas bien etiquetadas.

Esta representación gráfica te ayudará a comprender y comunicar la arquitectura integral del sistema, siendo especialmente útil para identificar puntos críticos y optimizar la integración entre los componentes del proyecto.

## Diagram (Mermaid)

```mermaid
flowchart TD
    %% Pipeline de Datos y Configuración
    subgraph "Pipeline de Datos y Configuración"
        APISteam["API Steam"]:::pipeline
        EntrenamientoIA["Entrenamiento IA"]:::pipeline
    end

    %% Backend (Flask)
    subgraph "Backend (Flask)"
        Backend["Backend (Flask)"]:::backend
    end

    %% Motor del modelo de NLP
    subgraph "Motor del modelo de NLP"
        NLP_Tuned["Llama 3.2 3B Fine-tuned"]:::nlp
        NLP_Outputs["Outputs"]:::nlp
        NLP_Cache["Unsloth Compiled Cache"]:::nlp
        NLP_Tuned --> NLP_Outputs
        NLP_Tuned --> NLP_Cache
    end

    %% Base de Datos (MySQL)
    MySQL["Base de Datos (MySQL)"]:::database

    %% Frontend (React)
    subgraph "Frontend (React)"
        Frontend["Frontend (React)"]:::frontend
    end

    %% Relaciones entre componentes
    APISteam -->|"consulta"| Backend
    EntrenamientoIA -->|"entrena"| NLP_Tuned

    Frontend -->|"solicita"| Backend
    Backend -->|"responde"| Frontend

    Backend -->|"almacena"| MySQL
    Backend -->|"procesa"| NLP_Tuned
    NLP_Tuned -->|"resultados"| Backend

    %% Click Events
    click APISteam "https://github.com/albexos21/tfg/tree/main/setup/api_steam"
    click EntrenamientoIA "https://github.com/albexos21/tfg/blob/main/setup/entrenamiento_ia.py"
    click Backend "https://github.com/albexos21/tfg/tree/main/server"
    click NLP_Tuned "https://github.com/albexos21/tfg/blob/main/IA/Llama-3.2-3B-ReviewsFineTuning"
    click NLP_Outputs "https://github.com/albexos21/tfg/tree/main/IA/outputs"
    click NLP_Cache "https://github.com/albexos21/tfg/tree/main/IA/unsloth_compiled_cache"
    click MySQL "https://github.com/albexos21/tfg/blob/main/setup/database/scripts/creacion_base_de_datos.sql"
    click Frontend "https://github.com/albexos21/tfg/tree/main/web/SteamSA-Polarization"

    %% Estilos
    classDef frontend fill:#ADD8E6,stroke:#000,stroke-width:1px;
    classDef backend fill:#90EE90,stroke:#000,stroke-width:1px;
    classDef nlp fill:#FFA500,stroke:#000,stroke-width:1px;
    classDef database fill:#FF6347,stroke:#000,stroke-width:1px;
    classDef pipeline fill:#c8a2c8,stroke:#000,stroke-width:1px;
```
