Avaliacao e Benchmarks

Este artigo apresenta como avaliar a forca de jogo e o desempenho de uma IA de Go, incluindo o sistema de classificacao Elo, metodos de teste de partidas e benchmarks padrao.

---

Sistema de Classificacao Elo

Conceito Basico

A classificacao Elo e o metodo padrao para medir forca de jogo relativa:

Taxa de vitoria esperada E_A = 1 / (1 + 10^((R_B - R_A) / 400))

Novo Elo = Elo antigo + K × (resultado real - resultado esperado)

Diferenca de Elo vs Taxa de Vitoria

Diferenca de Elo	Taxa de Vitoria do Mais Forte
0	50%
100	64%
200	76%
400	91%
800	99%

Implementacao

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

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

def calculate_elo_diff(wins, losses, draws):
    """Calcula diferenca de Elo a partir dos resultados"""
    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))

---

Testes de Partidas

Framework de Teste

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):
        """Executa teste de partidas"""
        for i in range(num_games):
            # Alterna primeiro a jogar
            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

            # Jogar 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):
        """Joga uma 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 Estatistica

Garanta que os resultados do teste sejam estatisticamente significativos:

from scipy import stats

def calculate_confidence_interval(wins, total, confidence=0.95):
    """Calcula intervalo de confianca da taxa de vitoria"""
    p = wins / total
    z = stats.norm.ppf((1 + confidence) / 2)
    margin = z * math.sqrt(p * (1 - p) / total)

    return (p - margin, p + margin)

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

Numero de Partidas Recomendado

Diferenca de Elo Esperada	Partidas Recomendadas	Confianca
>100	100	95%
50-100	200	95%
20-50	400	95%
<20	1000+	95%

---

SPRT (Teste de Razao de Probabilidade Sequencial)

Conceito

Nao precisa de numero fixo de partidas, decide dinamicamente quando parar baseado nos resultados acumulados:

def sprt(wins, losses, elo0=0, elo1=10, alpha=0.05, beta=0.05):
    """
    Teste de Razao de Probabilidade Sequencial

    elo0: Diferenca de Elo da hipotese nula (geralmente 0)
    elo1: Diferenca de Elo da hipotese alternativa (geralmente 5-20)
    alpha: Taxa de falso positivo
    beta: Taxa de falso negativo
    """
    if wins + losses == 0:
        return 'continue'

    # Calcular log-verossimilhanca
    p0 = expected_score(elo1, 0)  # Taxa de vitoria esperada sob H1
    p1 = expected_score(elo0, 0)  # Taxa de vitoria esperada sob H0

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

    # Limites de decisao
    lower = math.log(beta / (1 - alpha))
    upper = math.log((1 - beta) / alpha)

    if llr <= lower:
        return 'reject'  # H0 rejeitada, novo modelo e pior
    elif llr >= upper:
        return 'accept'  # H0 aceita, novo modelo e melhor
    else:
        return 'continue'  # Continuar testando

---

Benchmark do KataGo

Executar Benchmark

# Teste basico
katago benchmark -model model.bin.gz

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

# Saida detalhada
katago benchmark -model model.bin.gz -v 1000 -t 8

Interpretacao da Saida

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

Metricas Principais

Metrica	Descricao	Bom Valor
NN evals/seg	Velocidade de avaliacao da rede neural	>1000
Playouts/seg	Velocidade de simulacao MCTS	>2000
Utilizacao GPU	Eficiencia de uso da GPU	>80%

---

Avaliacao de Forca de Jogo

Correspondencia com Forca Humana

Elo IA	Forca Humana
~1500	Amador 1 dan
~2000	Amador 5 dan
~2500	Profissional iniciante
~3000	Profissional 5 dan
~3500	Nivel campeonato mundial
~4000+	Acima do nivel humano

Elo das Principais IAs

IA	Elo (estimado)
KataGo (mais recente)	~5000
AlphaGo Zero	~5000
Leela Zero	~4500
FineArt (Jueyi)	~4800

Teste de Referencia

def estimate_human_rank(ai_model, test_positions):
    """Estima forca humana equivalente da IA"""
    # Usar questoes de teste padrao
    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)

    # Tabela de correspondencia de precisao
    if accuracy > 0.9:
        return "Nivel profissional"
    elif accuracy > 0.7:
        return "Amador 5 dan+"
    elif accuracy > 0.5:
        return "Amador 1-5 dan"
    else:
        return "Abaixo do nivel amador"

---

Monitoramento de Desempenho

Monitoramento Continuo

import time
import psutil
import GPUtil

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

    def sample(self):
        """Amostra metricas de desempenho atuais"""
        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):
        """Gera relatorio"""
        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 medio de CPU: {avg_cpu:.1f}%")
        print(f"Uso medio de GPU: {avg_gpu:.1f}%")

Diagnostico de Gargalos de Desempenho

Sintoma	Causa Possivel	Solucao
CPU 100%, GPU baixa	Threads de busca insuficientes	Aumentar numSearchThreads
GPU 100%, saida lenta	Lote muito pequeno	Aumentar nnMaxBatchSize
Memoria insuficiente	Modelo muito grande	Usar modelo menor
Velocidade instavel	Temperatura muito alta	Melhorar refrigeracao

---

Testes Automatizados

Integracao 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

Teste de Regressao

def regression_test(new_model, baseline_model, threshold=0.95):
    """Verifica se novo modelo tem regressao de desempenho"""
    # Testar precisao
    new_accuracy = test_accuracy(new_model)
    baseline_accuracy = test_accuracy(baseline_model)

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

    # Testar velocidade
    new_speed = benchmark_speed(new_model)
    baseline_speed = benchmark_speed(baseline_model)

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

    print("Teste de regressao passou")

---

Leitura Adicional

• Analise do Mecanismo de Treinamento do KataGo — Como os modelos sao treinados
• Arquitetura de Treinamento Distribuido — Avaliacao em larga escala
• Backend GPU e Otimizacao — Ajuste de desempenho