Evaluación y benchmarking

Este artículo presenta cómo evaluar la fuerza de juego y el rendimiento de una IA de Go, incluyendo el sistema de puntuación Elo, métodos de prueba de partidas y benchmarks estándar.

---

Sistema de puntuación Elo

Concepto básico

La puntuación Elo es el método estándar para medir la fuerza relativa:

Tasa de victoria esperada E_A = 1 / (1 + 10^((R_B - R_A) / 400))

Nuevo Elo = Elo antiguo + K × (resultado real - resultado esperado)

Correspondencia entre diferencia de Elo y tasa de victoria

Diferencia de Elo	Tasa de victoria del más fuerte
0	50%
100	64%
200	76%
400	91%
800	99%

Implementación

def expected_score(rating_a, rating_b):
    """Calcular la puntuación esperada de A contra B"""
    return 1 / (1 + 10 ** ((rating_b - rating_a) / 400))

def update_elo(rating, expected, actual, k=32):
    """Actualizar puntuación Elo"""
    return rating + k * (actual - expected)

def calculate_elo_diff(wins, losses, draws):
    """Calcular diferencia de Elo a partir de resultados de partidas"""
    total = wins + losses + draws
    win_rate = (wins + 0.5 * draws) / total

    if win_rate <= 0 or win_rate >= 1:
        return float('inf') if win_rate >= 1 else float('-inf')

    return 400 * math.log10(win_rate / (1 - win_rate))

---

Pruebas de partidas

Marco de pruebas

class MatchTester:
    def __init__(self, engine_a, engine_b):
        self.engine_a = engine_a
        self.engine_b = engine_b
        self.results = {'a_wins': 0, 'b_wins': 0, 'draws': 0}

    def run_match(self, num_games=400):
        """Ejecutar prueba de enfrentamiento"""
        for i in range(num_games):
            # Alternar colores
            if i % 2 == 0:
                black, white = self.engine_a, self.engine_b
                a_is_black = True
            else:
                black, white = self.engine_b, self.engine_a
                a_is_black = False

            # Jugar partida
            result = self.play_game(black, white)

            # Registrar resultado
            if result == 'black':
                if a_is_black:
                    self.results['a_wins'] += 1
                else:
                    self.results['b_wins'] += 1
            elif result == 'white':
                if a_is_black:
                    self.results['b_wins'] += 1
                else:
                    self.results['a_wins'] += 1
            else:
                self.results['draws'] += 1

        return self.results

    def play_game(self, black_engine, white_engine):
        """Jugar una partida"""
        game = Game()

        while not game.is_terminal():
            if game.current_player == 'black':
                move = black_engine.get_move(game.state)
            else:
                move = white_engine.get_move(game.state)

            game.play(move)

        return game.get_winner()

Significancia estadística

Asegurar que los resultados de prueba tengan significado estadístico:

from scipy import stats

def calculate_confidence_interval(wins, total, confidence=0.95):
    """Calcular intervalo de confianza de la tasa de victoria"""
    p = wins / total
    z = stats.norm.ppf((1 + confidence) / 2)
    margin = z * math.sqrt(p * (1 - p) / total)

    return (p - margin, p + margin)

# Ejemplo
wins, total = 220, 400
ci_low, ci_high = calculate_confidence_interval(wins, total)
print(f"Tasa de victoria: {wins/total:.1%}, IC 95%: [{ci_low:.1%}, {ci_high:.1%}]")

Número de partidas recomendado

Diferencia de Elo esperada	Partidas recomendadas	Confianza
>100	100	95%
50-100	200	95%
20-50	400	95%
<20	1000+	95%

---

SPRT (Prueba de razón de probabilidad secuencial)

Concepto

Sin necesidad de fijar el número de partidas, decide dinámicamente si parar según los resultados acumulados:

def sprt(wins, losses, elo0=0, elo1=10, alpha=0.05, beta=0.05):
    """
    Prueba de razón de probabilidad secuencial

    elo0: Diferencia de Elo de la hipótesis nula (normalmente 0)
    elo1: Diferencia de Elo de la hipótesis alternativa (normalmente 5-20)
    alpha: Tasa de falsos positivos
    beta: Tasa de falsos negativos
    """
    if wins + losses == 0:
        return 'continue'

    # Calcular razón de log-verosimilitud
    p0 = expected_score(elo1, 0)  # Tasa de victoria esperada bajo H1
    p1 = expected_score(elo0, 0)  # Tasa de victoria esperada bajo H0

    llr = (
        wins * math.log(p0 / p1) +
        losses * math.log((1 - p0) / (1 - p1))
    )

    # Límites de decisión
    lower = math.log(beta / (1 - alpha))
    upper = math.log((1 - beta) / alpha)

    if llr <= lower:
        return 'reject'  # H0 rechazada, nuevo modelo es peor
    elif llr >= upper:
        return 'accept'  # H0 aceptada, nuevo modelo es mejor
    else:
        return 'continue'  # Continuar prueba

---

Benchmarking de KataGo

Ejecutar benchmark

# Prueba básica
katago benchmark -model model.bin.gz

# Especificar número de visitas
katago benchmark -model model.bin.gz -v 1000

# Salida detallada
katago benchmark -model model.bin.gz -v 1000 -t 8

Interpretación de salida

KataGo Benchmark Results
========================

Configuration:
  Model: kata-b18c384.bin.gz
  Backend: CUDA
  Threads: 8
  Visits: 1000

Performance:
  NN evals/second: 2847.3
  Playouts/second: 4521.8
  Avg time per move: 0.221 seconds

Memory:
  GPU memory usage: 2.1 GB
  System memory: 1.3 GB

Quality metrics:
  Policy accuracy: 0.612
  Value accuracy: 0.891

Métricas clave

Métrica	Descripción	Buen valor
NN evals/seg	Velocidad de evaluación de red neuronal	>1000
Playouts/seg	Velocidad de simulación MCTS	>2000
Utilización GPU	Eficiencia de uso de GPU	>80%

---

Evaluación de fuerza de juego

Correspondencia con fuerza humana

Elo de IA	Fuerza humana
~1500	Amateur 1 dan
~2000	Amateur 5 dan
~2500	Profesional shodan
~3000	Profesional 5 dan
~3500	Nivel campeón mundial
~4000+	Supera a los humanos

Elo de principales IAs

IA	Elo (estimado)
KataGo (última)	~5000
AlphaGo Zero	~5000
Leela Zero	~4500
Fine Art	~4800

Prueba de referencia

def estimate_human_rank(ai_model, test_positions):
    """Estimar la fuerza humana equivalente de la IA"""
    # Usar problemas de prueba estándar
    correct = 0
    for pos in test_positions:
        ai_move = ai_model.get_best_move(pos['state'])
        if ai_move == pos['best_move']:
            correct += 1

    accuracy = correct / len(test_positions)

    # Tabla de correspondencia de precisión
    if accuracy > 0.9:
        return "Nivel profesional"
    elif accuracy > 0.7:
        return "Amateur 5 dan+"
    elif accuracy > 0.5:
        return "Amateur 1-5 dan"
    else:
        return "Inferior a amateur"

---

Monitoreo de rendimiento

Monitoreo continuo

import time
import psutil
import GPUtil

class PerformanceMonitor:
    def __init__(self):
        self.metrics = []

    def sample(self):
        """Muestrear métricas de rendimiento actuales"""
        gpus = GPUtil.getGPUs()

        self.metrics.append({
            'timestamp': time.time(),
            'cpu_percent': psutil.cpu_percent(),
            'memory_percent': psutil.virtual_memory().percent,
            'gpu_util': gpus[0].load * 100 if gpus else 0,
            'gpu_memory': gpus[0].memoryUsed if gpus else 0,
        })

    def report(self):
        """Generar informe"""
        if not self.metrics:
            return

        avg_cpu = sum(m['cpu_percent'] for m in self.metrics) / len(self.metrics)
        avg_gpu = sum(m['gpu_util'] for m in self.metrics) / len(self.metrics)

        print(f"Uso promedio de CPU: {avg_cpu:.1f}%")
        print(f"Uso promedio de GPU: {avg_gpu:.1f}%")

Diagnóstico de cuellos de botella

Síntoma	Causa posible	Solución
CPU 100%, GPU baja	Hilos de búsqueda insuficientes	Aumentar numSearchThreads
GPU 100%, salida lenta	Lote muy pequeño	Aumentar nnMaxBatchSize
Memoria insuficiente	Modelo muy grande	Usar modelo más pequeño
Velocidad inestable	Temperatura muy alta	Mejorar refrigeración

---

Pruebas automatizadas

Integración CI/CD

# .github/workflows/benchmark.yml
name: Benchmark

on:
  push:
    branches: [main]

jobs:
  benchmark:
    runs-on: ubuntu-latest

    steps:
      - uses: actions/checkout@v3

      - name: Run benchmark
        run: |
          ./katago benchmark -model model.bin.gz -v 500 > results.txt

      - name: Check performance
        run: |
          playouts=$(grep "Playouts/second" results.txt | awk '{print $2}')
          if (( $(echo "$playouts < 1000" | bc -l) )); then
            echo "Performance regression detected!"
            exit 1
          fi

Prueba de regresión

def regression_test(new_model, baseline_model, threshold=0.95):
    """Verificar si el nuevo modelo tiene regresión de rendimiento"""
    # Probar precisión
    new_accuracy = test_accuracy(new_model)
    baseline_accuracy = test_accuracy(baseline_model)

    if new_accuracy < baseline_accuracy * threshold:
        raise Exception(f"Regresión de precisión: {new_accuracy:.3f} < {baseline_accuracy:.3f}")

    # Probar velocidad
    new_speed = benchmark_speed(new_model)
    baseline_speed = benchmark_speed(baseline_model)

    if new_speed < baseline_speed * threshold:
        raise Exception(f"Regresión de velocidad: {new_speed:.1f} < {baseline_speed:.1f}")

    print("Prueba de regresión aprobada")

---

Lectura adicional

• Análisis del mecanismo de entrenamiento de KataGo — Cómo se entrena el modelo
• Arquitectura de entrenamiento distribuido — Evaluación a gran escala
• Backend GPU y optimización — Ajuste de rendimiento