aitech-pbr2022/08_ci_cd_uczenie_maszynowe.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
    "<div class=\"alert alert-block alert-info\">\n",
    "<h1> Przygotowanie do projektu badawczo-rozwojowego</h1>\n",
    "<h2> 8. <i>Ciągła integracja i ewaluacja w projektach opartych na uczeniu maszynowym </i>[wykład]</h2> \n",
    "<h3>Filip Graliński (2022)</h3>\n",
    "</div>\n",
    "\n",
    "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Ciągła integracja i ewaluacja w projektach opartych na uczeniu maszynowym"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Dobre praktyki w tradycyjnej inżynierii oprogramowania\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Ciągła integracja\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Ciągła integracja (*continuous integration*, *CI*) to praktyka\n",
    "stosowana w tworzeniu oprogramowania polegają na częstym integrowaniu\n",
    "kodu opracowywanego przez programistów, zautomatyzowanym budowaniu\n",
    "oprogramowania i poddawaniu go testom.\n",
    "\n",
    "![img](./obrazy/ci.drawio.png \"Schemat procesu ciągłej integracji\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Ciągłe wdrażanie\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Ciągłe wdrażanie (*continuous deployment*, *CD*)\n",
    "automatyzuje również proces wdrażania oprogramowania. Oznacza to, że\n",
    "również procedura wdrażania musi zostać wyrażona jako kod\n",
    "przechowywany w systemie kontroli wersji.\n",
    "\n",
    "![img](./obrazy/cd.drawio.png \"Schemat procesu ciągłego wdrażania\")\n",
    "\n",
    "Ciągła integracja/ciągłe wdrożenie zazwyczaj współwystępuje z metodyką **DevOps**.\n",
    "\n",
    "CI/CD/DevOps w jednym zdaniu: robię to tak często, że to „nic takiego”.\n",
    "\n",
    "![img](./obrazy/seul-metro.png \"Przykład — budowa metra, źródło Wikipedia\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### CI/CD a uczenie maszynowe\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Dodanie do systemu modułów opartych na uczeniu maszynowym bardzo\n",
    "komplikuje proces CI/CD:\n",
    "\n",
    "-   modele uczenia maszynowego (np. sieci neuronowe) powstają na bazie kodu źródłowego odpowiedzialnego za uczenie **i** danych uczących,\n",
    "-   osobny kod jest odpowiedzialny za inferencję,\n",
    "-   choć kod odpowiedzialny za uczenie i inferencję w miarę możliwości powinny podlegać standardowej metodologii testowania (np. testy jednostkowe), to ostatecznie testy systemów opartych na uczeniu maszynowym nie mają postaci zerojedynkowej\n",
    "-   … raczej system może uzyskać lepszy albo gorszy wynik,\n",
    "-   wdrożenie (a przynajmniej uczenie) wymaga często dużych zasobów obliczeniowych i specjalnego sprzętu (karty graficzne).\n",
    "\n",
    "Przy czym chcielibyśmy zachować „złote” zasady CI/CD.\n",
    "\n",
    "Wprowadzenie uczenia maszynowego do oprogramowania na tyle zmienia\n",
    "sytuację, że mówi się o **MLOps** zamiast DevOps.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Proces CI/CD rozszerzony o uczenie maszynowe\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "![img](./obrazy/mlops.drawio.png \"Schemat CI/CD rozszerzony o MLOps\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Testowanie systemów opartych na uczeniu maszynowym\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Podobnie jak w wypadku tradycyjnego oprogramowania testowanie modeli\n",
    "uczenia maszynowego przyjmuje wiele form:\n",
    "\n",
    "-   testy jednostkowe fragmentu kodu odpowiedzialnego za uczenie i inferencję,\n",
    "-   testy uczenia i inferencji na spreparowanych danych\n",
    "    -   *corner cases*\n",
    "    -   uczenia „w kółko” na jednym przykładzie (czy funkcja kosztu spada do zera?)\n",
    "-   testy inferencji na danych „śmieciowych” (czy system jest w stanie „przetrwać” wszystko?)\n",
    "-   testy efektywności, przepustowości itp.\n",
    "-   … lecz ostatecznie najistotniejsza jest odpowiedź na pytanie, jak dobry jest wynik na danych zbliżonych do rzeczywistych (**ewaluacja**)\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Ewaluacja\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Rodzaje ewaluacji:\n",
    "\n",
    "-   testy „na ludziach”,\n",
    "    -   testy A/B, analiza zachowania użytkownika\n",
    "    -   ewaluacja **manualna**, np. test MOS (*mean-opinion score*)\n",
    "-   ewaluacja **automatyczna**\n",
    "    -   ewaluacja według wzoru\n",
    "    -   ewaluacja wyuczana przy użyciu uczenia maszynowego (!)\n",
    "\n",
    "Ostateczne kryterium ewaluacji: *money in the bank*, a właściwie\n",
    "*utility in the bank* (por. aksjomatyczna teoria użyteczności\n",
    "sformułowana przez Johna von Neumanna i Oskara Morgensterna).\n",
    "\n",
    "![img](./obrazy/utility.jpg \"Okładka książki „Theory of Games and Economic Behaviour”\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Psychologiczne pułapki oceniania\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "-   efekt **pierwszeństwa** — *błędy pojawiające się na początku wypracowania oceniane są surowiej niż błędy na końcu wypracowania*\n",
    "\n",
    "-   efekt **świeżości**\n",
    "\n",
    "-   efekt „aureoli” — *mamy skłonność do przypisywania innych pozytywnych cech ludziom atrakcyjnym fizycznie*\n",
    "\n",
    "-   wpływ **nastroju** na ocenianie — *w pochmurne dni ludzie gorzej oceniają stan gospodarki niż w słoneczne*\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Słabości „potocznej” matematyki\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Czy symptom świadczy o chorobie?\n",
    "\n",
    "    |         |           | choroba |               |\n",
    "    |         |           | obecna  | nieobecna     |\n",
    "    |---------+-----------+---------+---------------|\n",
    "    | symptom | obecny    | 37      | 33            |\n",
    "    |         | nieobecny | 17      | 13            |\n",
    "\n",
    "85% przepytanych pielęgniarek doszło do wniosku, że istnieje związek między symptomem a chorobą.\n",
    "\n",
    "**Korelacja** jest przez ludzi przeceniana, **regresja do średniej** — niedoceniania\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Jak uniknąć pułapek oceniania?\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "-   stosować obiektywne miary,\n",
    "-   najlepiej wymyślić syntetyczną funkcję oceny (pojedyncza liczba),\n",
    "-   jeśli to możliwe, stosować automatyczną ewaluację.\n",
    "\n",
    "Konkretny sposób ewaluacji nazywamy **miarą** lub **metryką** ewaluacji.\n",
    "(Uwaga: nie ma nic wspólnego z terminami stosowanymi w matematyce!).\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Definicja metryki ewaluacji\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Ewaluację przeprowadzamy na ciągu danych wejściowych $(x)_i$ biorąc\n",
    "pod uwagę oczekiwane wyjście $(y)_i$ i rzeczywiste wyjście z systemu\n",
    "$(\\hat{y})_i$. Funkcja (metryka, miara) ewaluacji $\\mu$ powinna\n",
    "zwrócić skalarną wartość określającą jakość systemu, innymi słowy:\n",
    "\n",
    "$$\\mu \\colon X^{n} \\times Y^{n} \\times \\hat{Y}^{n} \\to \\mathcal{R},$$\n",
    "\n",
    "gdzie $X$ jest zbiorem możliwych wejść, $Y$ — zbiorem możliwych\n",
    "specyfikacji oczekiwanych wyjść, $\\hat{Y}$ — zbiorem możliwych wyjść\n",
    "(na ogół $Y = \\hat{Y}$, ale mogą być sytuacje, gdzie specyfikacja\n",
    "oczekiwanego wyjścia jest bardziej skomplikowana).\n",
    "\n",
    "Olbrzymia większość metryk ewaluacji nie bierze pod uwagę wejścia,\n",
    "lecz jedynie porównuje wyjście z systemu z oczekiwanym wyjściem, a zatem schemat upraszcza się do:\n",
    "\n",
    "$$\\mu \\colon Y^{n} \\times \\hat{Y}^{n} \\to \\mathcal{R}.$$\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Metryka ewaluacji — przykłady\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Jedną z najprostszych metryk ewaluacji jest **dokładność** (*accuracy*)\n",
    "jest to po prostu odsetek przypadków, gdy wyjście z systemu jest identyczne z oczekiwanym wyjściem.\n",
    "\n",
    "Narzędzie ewaluacyjne GEval ma zaimplementowane kilkadziesiąt (!) metryk ewaluacji\n",
    "\n",
    "    -m,--metric METRIC       Metric to be used, e.g.:RMSE, MSE, MAE, SMAPE,\n",
    "                             Pearson, Spearman, Accuracy, LogLoss, Likelihood,\n",
    "                             F1.0, F2.0, F0.25, Macro-F1.0, Macro-F2.0,\n",
    "                             Macro-F0.25, MultiLabel-F1.0, MultiLabel-F2.0,\n",
    "                             MultiLabel-F0.25, Mean/MultiLabel-F1.0,\n",
    "                             Probabilistic-MultiLabel-F1.0,\n",
    "                             Probabilistic-MultiLabel-F2.0,\n",
    "                             Probabilistic-MultiLabel-F0.25,\n",
    "                             MultiLabel-Likelihood, MAP, NDCG@3, BLEU, GLEU\n",
    "                             (\"Google GLEU\" not the grammar correction metric),\n",
    "                             WER, CER (Character-Error Rate), WAR, CAR\n",
    "                             (Character-Accuracy Rate (1-CER)), NMI, ClippEU,\n",
    "                             LogLossHashed, LikelihoodHashed, PerplexityHashed,\n",
    "                             BIO-F1, BIO-Weighted-F1, BIO-F1-Labels,\n",
    "                             TokenAccuracy, SegmentAccuracy, Soft-F1.0, Soft-F2.0,\n",
    "                             Soft-F0.25, Probabilistic-Soft-F1.0,\n",
    "                             Probabilistic-Soft-F2.0, Probabilistic-Soft-F0.25,\n",
    "                             Probabilistic-Soft2D-F1.0, Probabilistic-Soft2D-F2.0,\n",
    "                             Probabilistic-Soft2D-F0.25, Soft2D-F1.0, Soft2D-F2.0,\n",
    "                             Soft2D-F0.25, Haversine, CharMatch, Improvement@0.5,\n",
    "                             MacroAvg/Likelihood, MSE-Against-Interval,\n",
    "                             RMSE-Against-Interval, MAE-Against-Interval,\n",
    "                             BLEU:lm<\\s+|[a-z0-9]+> (BLEU on lowercased strings,\n",
    "                             only Latin characters and digits considered)\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Jakie własności ma dobra miara ewaluacji?\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "-   spełnia zdroworozsądkowe aksjomaty\n",
    "    -   w szczególności dla przypadków brzegowych\n",
    "    -   jest stabilna\n",
    "\n",
    "-   koreluje z ludzką oceną\n",
    "    -   a tak naprawdę z preferencjami użytkowników\n",
    "\n",
    "Ewaluacja ewaluacji! — czyli **metaewaluacja**\n",
    "\n",
    "![img](./obrazy/meta-eval.png \"Fragment artykułu o metaewaluacji\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Z powrotem do CI/CD\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Ewaluację można zatem traktować jako rozszerzenie procesu testowania oprogramowania.\n",
    "Ewaluacja nigdy nie powinna być jednorazowym procesem, powinna być wpleciona w proces CI/CD.\n",
    "Możemy więc mówić o **ciągłej ewaluacji**.\n",
    "\n",
    "Potrzeba ciągłego procesu, by upewnić się, że nasz system oparty na uczeniu maszynowym:\n",
    "\n",
    "-   jest lepszy od prostego punktu odniesienia (*naive baseline*),\n",
    "-   jest lepszy od rozwiązań konkurencji,\n",
    "-   jest lepszy od systemu, który mieliśmy wczoraj, tydzień temu, rok temu…\n",
    "\n",
    "![img](./obrazy/mlops2.drawio.png \"Schemat MLOps rozszerzony o ciągłą ewaluację\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Dobór metryki ewaluacji — tłumaczenie maszynowe\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Jaka metryka jest najlepsza do oceny systemu tłumaczenia maszynowego?\n",
    "\n",
    "To zależy!\n",
    "\n",
    "**Scanariusz A**. Automatyczne tłumaczenie jest używane przez osoby\n",
    "nieznające języka docelowego w celu zrozumienia oryginalnego tekstu.\n",
    "\n",
    "**Scenariusz B**. Oczekujemy bardzo dobrej jakości tłumaczenia.\n",
    "Tłumaczenia maszynowe są poprawiane przez profesjonalnych tłumaczy,\n",
    "tłumaczenie maszynowe służy do przyspieszenia procesu.\n",
    "\n",
    "W scenariuszu A można zastosować standardowe metryki tłumaczenia\n",
    "maszynowego sprawdzające, na ile w tłumaczeniu zachowane elementy\n",
    "tłumaczenia referencyjnego, np. BLEU albo — lepiej — COMET, natomiast\n",
    "w scenariuszu B lepiej zastosować odległość edycyjną w celu\n",
    "oszacowania kosztu korekty.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Przykład systemu ewaluacji — GEval i Gonito\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "[GEval](https://gitlab.com/filipg/geval) to biblioteka w języku Haskell oraz narzędzie do ewaluacji uruchamiane z wiersza\n",
    "poleceń, zaś [Gonito](https://gitlab.com/filipg/gonito) to oparta na bibliotece GEval aplikacja webowa, platforma do ewaluacji wyzwań\n",
    "uczenia maszynowego.\n",
    "\n",
    "![img](./obrazy/gonito-platform.png \"Schemat platformy Gonito\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### System na produkcji, a my nie znamy oczekiwanych wartości!\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Estymacja jakości\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Uruchomiliśmy nasz system w wersji produkcyjnej, skąd wiemy, że system\n",
    "zachowuje się poprawnie?\n",
    "\n",
    "Można anotować lub poprawiać manualnie próbki danych produkcyjnych,\n",
    "rozszerzać w ten sposób zbiory testowe i dokonywać na nich ewaluacji.\n",
    "\n",
    "Można też stosować metody **estymacji jakości** (*quality estimation*),\n",
    "tzn. przewidywać jakość wyłącznie na podstawie wyjścia (bez znajomości\n",
    "oczekiwanego wyjścia). Na przykład w systemie tłumaczenia maszynowego\n",
    "można w tym celu stosować model języka docelowego.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Zadania proponowane na laboratoria\n",
    "\n",
    "### Zadanie 1.\n",
    "\n",
    "Skonfigurujcie minimalne zadanie uczenia maszynowego na dowolnym serwerze ciągłej integracji (Jenkins, GitLabCI, GitHub Actions itp.). Zadanie powinno obejmować wyuczenie prostego modelu i ewaluację.\n",
    "\n",
    "### Zadanie 2.\n",
    "\n",
    "Dokonajcie konwersji wybranego zbioru danych do standardu wyzwania [Gonito](https://gitlab.com/filipg/gonito). Zob. [szczegółowe instrukcje odnośnie do tworzenia wyzwania](https://gitlab.com/filipg/geval#preparing-a-gonito-challenge).\n",
    "\n",
    "### Zadanie 3.\n",
    "\n",
    "Dopiszcie nowe przypadki testowe dla wybranej metryki ewaluacji w programie [GEval](https://gitlab.com/filipg/geval). Zob. [przykład testów dla nowej metryki](https://gitlab.com/filipg/geval/-/commit/819fbecedc6f744a1a08f21c11067191837f87a2) (od pliku `test/Spec.hs`).\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.5"
  },
  "org": null
 },
 "nbformat": 4,
 "nbformat_minor": 1
}