Update app.py

app.py

@@ -15,7 +15,6 @@ aspect_model = AutoModelForTokenClassification.from_pretrained("EfektMotyla/bert
 sentiment_tokenizer = AutoTokenizer.from_pretrained("EfektMotyla/absa-roberta")
 sentiment_model = AutoModelForSequenceClassification.from_pretrained("EfektMotyla/absa-roberta").to(device)
 
-# === Lżejsze tłumaczenie Hugging Face pipeline ===
 pl_to_en_translator = pipeline("translation", model="Helsinki-NLP/opus-mt-pl-en", device=0 if torch.cuda.is_available() else -1)
 en_to_pl_translator = pipeline("translation", model="gsarti/opus-mt-tc-en-pl", device=0 if torch.cuda.is_available() else -1)
 
@@ -156,7 +155,7 @@ aspect_aliases = {
     "temperature": "komfort",
     "air conditioning": "komfort",
 
-    # 🔁 OGÓLNE WRAŻENIE / WARTOŚĆ
+    # OGÓLNE WRAŻENIE / WARTOŚĆ
     "recommendation": "ogólna ocena",
     "return": "ogólna ocena",
     "again": "ogólna ocena",
@@ -228,7 +227,6 @@ def analyze(text_pl, progress=gr.Progress()):
         if not aspects_en:
             return "Nie wykryto żadnych aspektów."
 
-        # ✅ Usuń duplikaty (i sortuj dla powtarzalności)
         unique_aspects = sorted(set([asp.lower() for asp in aspects_en]))
         results = []
         seen_pl_aspects = set()
@@ -243,7 +241,7 @@ def analyze(text_pl, progress=gr.Progress()):
                 predicted_class_id = int(logits.argmax().cpu())
                 sentiment_label = {0: "negatywny", 1: "neutralny", 2: "pozytywny", 3: "konfliktowy"}[predicted_class_id]
 
-            # ✅ Tłumaczenie aspektu przez słownik lub model
+            # Tłumaczenie aspektu przez słownik lub model
             if asp in aspect_aliases:
                 asp_pl = aspect_aliases[asp]
             else:
@@ -256,7 +254,7 @@ def analyze(text_pl, progress=gr.Progress()):
         return "\n".join(results)
 
     except Exception as e:
-        return f"❌ Błąd podczas analizy: {e}"
+        return f"Błąd podczas analizy: {e}"
 
 # === Gradio UI ===
 demo = gr.Interface(