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

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.

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:
Downloads last month
37
Inference API
Unable to determine this model’s pipeline type. Check the docs .

Model tree for eltorio/Llama-3.1-8B-appreciation

Adapter
(137)
this model

Dataset used to train eltorio/Llama-3.1-8B-appreciation

Spaces using eltorio/Llama-3.1-8B-appreciation 2