Este projeto foi desenvolvido como parte do case prático AutoU. A aplicação classifica emails em Produtivo ou Improdutivo e sugere uma resposta automática para cada caso, utilizando técnicas de NLP e IA generativa (OpenAI GPT).

• Upload de arquivos .txt ou .pdf e inserção direta de texto.
• Classificação automática em:
  • Produtivo: requer ação ou resposta.
  • Improdutivo: não exige ação imediata.
• Respostas automáticas sugeridas:
  • Por regras locais → sempre disponível.
  • Por GPT-4o-mini → se OPENAI_API_KEY estiver configurada.
• Fallback inteligente: se a API não estiver acessível, o sistema usa regras locais.
• Interface web simples e responsiva.

• Backend: Python, FastAPI, Uvicorn
• Frontend: HTML, JS, CSS (Tailwind base simplificada)
• NLP:
  • Normalização de texto (remoção de pontuação, URLs, emails).
  • Stopwords em português.
  • Tokenização.
  • Stemming em PT-BR (NLTK SnowballStemmer).
• IA Generativa: OpenAI GPT-4o-mini (classificação + resposta).
• Outros: PyPDF2, Jinja2, pytest.

app/
  main.py                  # Entrada FastAPI
  services/
    classifier.py          # Classificação (Regras + OpenAI)
    extract.py             # Extração de texto (txt/pdf)
    nlp.py                 # Pré-processamento NLP
    responder.py           # Regras de resposta automática
templates/
  index.html               # Interface
static/
  app.js                   # Lógica frontend
  styles.css               # Estilos
tests/
  test_rules.py            # Testes unitários (pytest)
sample_emails/             # Exemplos
requirements.txt           # Dependências fixadas
Procfile                   # Deploy Heroku
Dockerfile                 # Deploy Render
README.md                  # Este documento

git clone https://github.com/SEU-USUARIO/autou-email-classifier.git
cd autou-email-classifier

python -m venv .venv
.\.venv\Scripts\Activate    # Windows
source .venv/bin/activate   # Linux/Mac

pip install -r requirements.txt

$Env:OPENAI_API_KEY="sua_chave_aqui"   # PowerShell
export OPENAI_API_KEY="sua_chave_aqui" # Linux/Mac

uvicorn app.main:app --reload

Acesse http://127.0.0.1:8000

1. Conectar repo no Render.
2. Ele detecta o Dockerfile.
3. Configurar variável OPENAI_API_KEY (opcional).

heroku create
git push heroku main
heroku config:set OPENAI_API_KEY=suachave

Rodar testes unitários com pytest:

pytest -q

Saída esperada:

..                                                                   [100%]
2 passed in 0.04s

• Treinar modelo supervisionado (TF-IDF + Logistic Regression).
• Novas categorias além de Produtivo/Improdutivo.
• Integração com Gmail/Outlook para ingestão automática de emails.
• Dashboard de métricas de classificação.

Projeto sob licença MIT.