README.md

---
license: agpl-3.0
datasets:
- eltorio/appreciation
language:
- fr
base_model:
- meta-llama/Llama-3.1-8B
library_name: peft
---
# Une intelligence artificielle pour écrire des appréciations

## Objectifs

Cette IA s'adresse aux enseignants de l'enseignement secondaire français pour les aider à rédiger automatiquement des appréciations pour leurs élèves.  

## Interface utilisateur

L'interface réalisée avec Gradio propose en entrée:

### Informations générales

- matière enseignée:
  - Histoire-Géographie
  - Histoire-Géographie-Géopolitique-Science-Politique (HGGSP)
  - (des matières seront ajoutées ultérieurement)
- niveau de l'élève (2nde, 1ère, Terminale)
- trimestre (1er, 2ème, 3ème)

### Évaluation

- note de l'élève sur 20
- évolution par rapport au trimestre précédent (notes des 3 trimetres ou N/A si innaproprié)

### Attitude et travail

- travail personnel fourni: slider de 0 à 10
- participation en classe: slider de 0 à 10
- comportement: slider de 0 à 10

L'interface génère une appréciation de 1 à 20 mots adaptée au profil de l'élève. Cette évaluation reste bienveillante et permet à l'élève et à ses parents de comprendre les atouts et les difficultés, tout en proposant des pistes de progression.

## Stratégie de développement

### Phase 1 : MVP (Minimum Viable Product)

- Utilisation d'un modèle LLM de taille moyenne (8B paramètres)
- Création d'un dataset initial de ≈250 appréciations représentatives
- Inclusion d'exemples réels anonymisés d'appréciations d'enseignants
- Interface basique mais fonctionnelle
- Système de feedback utilisateur

En phase 1 le modèle a été entrainé avec [ce code](https://www.kaggle.com/code/eltorio/autoeval-training-llama-3-1-8b)

### Phase 2 : Amélioration et validation

- Extension du dataset à 1000+ exemples
- Fine-tuning d'un modèle plus large
- Validation par un panel d'enseignants
- Métriques qualitatives (cohérence, personnalisation)
- Amélioration continue basée sur les retours

### Pipeline technique

1. Prétraitement et normalisation des entrées
2. Construction du contexte spécifique
3. Génération de l'appréciation
4. Post-traitement (vérification longueur/ton/grammaire)

## Exemple de code d'inference avec Gradio

Attention ce code ne fonctionne qu'avec un GPU Cuda.  

```python
import gradio as gr
from transformers import AutoProcessor, AutoTokenizer
from peft import AutoPeftModelForCausalLM
import torch
import os

if os.environ.get('HF_TOKEN') is None:
    raise ValueError("You must set the HF_TOKEN environment variable to use this script, you also need to have access to the Llama 3.2 model family")

hugging_face_model_id = "eltorio/Llama-3.1-8B-appreciation"
base_model_path = "meta-llama/Llama-3.1-8B"
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')

device_desc = f"Cette I.A. fonctionne sur {device} 🚀." if device == torch.device('cuda') else f"🐢 Cette I.A. ne peut pas fonctionner sur {device} 🐢."
# Define the title, description, and device description for the Gradio interface
title = f"Une intelligence artificielle pour écrire des appréciations et tourne sur {device}"
desc = "Ce modèle vous propose une évaluation automatique."

# Define the long description for the Gradio interface
long_desc = f"Cette démonstration est basée sur le modèle <a href='https://huggingface.co/eltorio/Llama-3.2-3B-appreciation'>Llama-3.2-3B-appreciation</a>, c'est un LLM basé sur Llama 3.2 3B-instruct!<br><b>{device_desc}</b><br> 2024 - Ronan Le Meillat"

if torch.cuda.is_available():
    # Determine the device (GPU or CPU) to run the model on
    device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
    print(f"Using device: {device}")  # Log the device being used
    # Initialize the processor from the base model path
    processor = AutoProcessor.from_pretrained(base_model_path, trust_remote_code=True)
    # Initialize the model from the base model path and set the torch dtype to bfloat16
    peft_model = AutoPeftModelForCausalLM.from_pretrained(hugging_face_model_id)
    merged_model = peft_model.merge_and_unload()
    tokenizer = AutoTokenizer.from_pretrained(hugging_face_model_id)


    #tokenizer = get_chat_template(
    #    tokenizer,
    #    chat_template = "llama-3.1",
    #)

    # Define a function to infer a evaluation from the incoming parameters
    def infere(trimestre: str, moyenne_1: float,moyenne_2: float,moyenne_3: float, comportement: float, participation: float, travail: float) -> str:

        if trimestre == "1":
            trimestre_full = "premier trimestre"
            user_question = f"Veuillez rédiger une appréciation en moins de 40 mots pour le {trimestre_full} pour cet élève qui a eu {moyenne_1} de moyenne, j'ai évalué son comportement à {comportement}/10, sa participation à {participation}/10 et son travail à {travail}/10. Les notes ne doivent pas apparaître dans l'appréciation."
        elif trimestre == "2":
            trimestre_full = "deuxième trimestre"
            user_question = f"Veuillez rédiger une appréciation en moins de 40 mots pour le {trimestre_full} pour cet élève qui a eu {moyenne_2} de moyenne ce trimestre et {moyenne_1} au premier trimestre, j'ai évalué son comportement à {comportement}/10, sa participation à {participation}/10 et son travail à {travail}/10. Les notes ne doivent pas apparaître dans l'appréciation."
        elif trimestre == "3":
            trimestre_full = "troisième trimestre"
            user_question= f"Veuillez rédiger une appréciation en moins de 40 mots pour le {trimestre_full} pour cet élève qui a eu {moyenne_3} de moyenne ce trimestre, {moyenne_2} au deuxième trimestre et {moyenne_1} au premier trimestre, j'ai évalué son comportement à {comportement}/10, sa participation à {participation}/10 et son travail à {travail}/10. Les notes ne doivent pas apparaître dans l'appréciation."

        # Define a chat template for the model to respond to
        messages = [
            {
                "role": "system",
                "content": "Vous êtes une IA assistant les enseignants d'histoire-géographie en rédigeant à leur place une appréciation personnalisée pour leur élève en fonction de ses performances. Votre appreciation doit être en français, bienveillante, constructive, et aider l'élève à comprendre ses points forts et les axes d'amélioration. Votre appréciation doit comporter de 1 à 40 mots. Votre appréciation ne doit jamais comporter la valeur de la note. Votre appréciation doit utiliser le style impersonnel."},
            {
                "role": "user",
                "content": user_question},
        ]
        inputs = tokenizer.apply_chat_template(
        messages,
        tokenize = True,
        add_generation_prompt = True, # Must add for generation
        return_tensors = "pt",).to(device)
        outputs = merged_model.generate(input_ids = inputs, max_new_tokens = 90, use_cache = True,
                            temperature = 1.5, min_p = 0.1)
        decoded_sequences = tokenizer.batch_decode(outputs[:, inputs.shape[1]:],skip_special_tokens=True)[0]
        return decoded_sequences

    # Create a Gradio interface with the infere function and specified title and descriptions
    autoeval = gr.Interface(fn=infere, inputs=[
            gr.Radio(
                ["1", "2", "3"], value="1", label="trimestre", info="Trimestre"
            ),
            gr.Slider(0, 20,label="moyenne_1", value=10, info="Moyenne trimestre 1"),
            gr.Slider(0, 20,label="moyenne_2", value=10, info="Moyenne trimestre 2"),
            gr.Slider(0, 20,label="moyenne_3", value=10, info="Moyenne trimestre 3"),
            gr.Slider(0, 10, value=5, label="comportement", info="Comportement (1 à 10)"),
            gr.Slider(0, 10, value=5, label="participation", info="Participation (1 à 10)"),
            gr.Slider(0, 10, value=5, label="travail", info="Travail (1 à 10)"),
            
        ], outputs="text", title=title, 
                    description=desc, article=long_desc)

    # Launch the Gradio interface and share it
    autoeval.launch(server_name="0.0.0.0",share=True)
else:
    print("No GPU available")
    device = torch.device('cpu')
    def infere(trimestre: str, moyenne_1: float,moyenne_2: float,moyenne_3: float, comportement: float, participation: float, travail: float) -> str:
        return "No GPU available, please contact me"
    
    # Create a Gradio interface with the infere function and specified title and descriptions
    autoeval = gr.Interface(fn=infere, inputs=[
            gr.Radio(
                ["1", "2", "3"], value="1", label="trimestre", info="Trimestre"
            ),
            gr.Slider(0, 20,label="moyenne_1", value=10, info="Moyenne trimestre 1"),
            gr.Slider(0, 20,label="moyenne_2", value=10, info="Moyenne trimestre 2"),
            gr.Slider(0, 20,label="moyenne_3", value=10, info="Moyenne trimestre 3"),
            gr.Slider(0, 10, value=5, label="comportement", info="Comportement (1 à 10)"),
            gr.Slider(0, 10, value=5, label="participation", info="Participation (1 à 10)"),
            gr.Slider(0, 10, value=5, label="travail", info="Travail (1 à 10)"),
            
        ], outputs="text", title=title, 
                    description=desc, article=long_desc)

    # Launch the Gradio interface and share it
    autoeval.launch(server_name="0.0.0.0",share=True)
```
## Sécurité et éthique

- Il est hors de question de mettre des appréciations automatiques, elles devront être validée et eventuellement corrigée par l'enseignant.

## Référencer ce modèle

- Utiliser la citation *bibtex* suivante: