Skip to content

Simulador de Usuários

Simule vários anotadores simultâneos no Potato para testes de integração — configure estratégias de anotação, velocidade e níveis de concordância para testes de carga realistas.

O Simulador de Usuários permite o teste automatizado de tarefas de anotação do Potato simulando vários usuários com comportamentos e níveis de competência configuráveis.

Visão Geral

O simulador é útil para:

  • Teste de controle de qualidade: Testa verificações de atenção, padrões-ouro e comportamento de bloqueio
  • Teste de painel: Gera dados de anotação realistas para o painel de administração
  • Teste de escalabilidade: Faz testes de estresse no servidor com muitos usuários simultâneos
  • Avaliação de assistência de IA: Compara a precisão de LLM com comportamentos semelhantes aos humanos
  • Teste de aprendizado ativo: Simula fluxos de trabalho de anotação iterativos

Início Rápido

bash
# Basic random simulation with 10 users
python -m potato.simulator --server http://localhost:8000 --users 10
 
# With configuration file
python -m potato.simulator --config simulator-config.yaml --server http://localhost:8000
 
# Fast scalability test (no waiting between annotations)
python -m potato.simulator --server http://localhost:8000 --users 50 --parallel 10 --fast-mode

Configuração

Arquivo de Configuração YAML

Crie um arquivo YAML com as configurações do simulador:

yaml
simulator:
  # User configuration
  users:
    count: 20
    competence_distribution:
      good: 0.5      # 50% will be "good" annotators (80-90% accuracy)
      average: 0.3   # 30% "average" (60-70% accuracy)
      poor: 0.2      # 20% "poor" (40-50% accuracy)
 
  # Annotation strategy
  strategy: random  # random, biased, llm, pattern
 
  # Timing configuration
  timing:
    annotation_time:
      min: 2.0
      max: 45.0
      mean: 12.0
      std: 6.0
      distribution: normal  # uniform, normal, exponential
 
  # Execution
  execution:
    parallel_users: 5
    delay_between_users: 0.5
    max_annotations_per_user: 50
 
server:
  url: http://localhost:8000

Níveis de Competência

NívelPrecisãoDescrição
perfect100%Sempre corresponde ao padrão-ouro
good80-90%Anotador de alta qualidade
average60-70%Trabalhador colaborativo típico
poor40-50%Anotador de baixa qualidade
random~1/NSeleção aleatória entre os rótulos
adversarial0%Intencionalmente errado (para testar o CQ)

Estratégias de Anotação

Estratégia Aleatória (padrão)

Seleciona rótulos uniformemente ao acaso:

yaml
strategy: random

Estratégia Enviesada

Seleção ponderada com base nas preferências de rótulo:

yaml
strategy: biased
biased_config:
  label_weights:
    positive: 0.6
    negative: 0.3
    neutral: 0.1

Estratégia LLM

Usa um LLM para gerar anotações com base no conteúdo do texto:

yaml
strategy: llm
llm_config:
  endpoint_type: openai
  model: gpt-4o-mini
  api_key: ${OPENAI_API_KEY}
  temperature: 0.1
  add_noise: true
  noise_rate: 0.05

Para LLMs locais com Ollama:

yaml
strategy: llm
llm_config:
  endpoint_type: ollama
  model: llama3.2
  base_url: http://localhost:11434

Opções da CLI

text
Usage: python -m potato.simulator [OPTIONS]

Required:
  --server, -s URL        Potato server URL

User Configuration:
  --users, -u NUM         Number of simulated users (default: 10)
  --competence DIST       Competence distribution

Strategy:
  --strategy TYPE         Strategy: random, biased, llm, pattern
  --llm-endpoint TYPE     LLM endpoint: openai, anthropic, ollama
  --llm-model NAME        LLM model name

Execution:
  --parallel, -p NUM      Max concurrent users (default: 5)
  --max-annotations, -m   Max annotations per user
  --fast-mode             Disable waiting between annotations

Output:
  --output-dir, -o DIR    Output directory (default: simulator_output)

Teste de Controle de Qualidade

Teste a detecção de verificação de atenção:

yaml
simulator:
  users:
    count: 10
    competence_distribution:
      adversarial: 1.0  # All users will fail
  quality_control:
    attention_check_fail_rate: 0.5
    respond_fast_rate: 0.3

Arquivos de Saída

Após a simulação, os resultados são exportados para o diretório de saída:

  • summary_{timestamp}.json - Estatísticas agregadas
  • user_results_{timestamp}.json - Resultados detalhados por usuário
  • annotations_{timestamp}.csv - Todas as anotações em formato plano

Exemplo de Resumo

json
{
  "user_count": 20,
  "total_annotations": 400,
  "total_time_seconds": 125.3,
  "attention_checks": {
    "passed": 18,
    "failed": 2,
    "pass_rate": 0.9
  }
}

Uso Programático

python
from potato.simulator import SimulatorManager, SimulatorConfig
 
# Create configuration
config = SimulatorConfig(
    user_count=10,
    strategy="random",
    competence_distribution={"good": 0.5, "average": 0.5}
)
 
# Create and run simulator
manager = SimulatorManager(config, "http://localhost:8000")
results = manager.run_parallel(max_annotations_per_user=20)
 
# Print summary and export
manager.print_summary()
manager.export_results()

Integração com Testes

O simulador pode ser usado em fixtures do pytest:

python
import pytest
from potato.simulator import SimulatorManager, SimulatorConfig
 
@pytest.fixture
def simulated_annotations(flask_test_server):
    config = SimulatorConfig(user_count=5, strategy="random")
    manager = SimulatorManager(config, flask_test_server.base_url)
    return manager.run_parallel(max_annotations_per_user=10)
 
def test_dashboard_shows_annotations(simulated_annotations, flask_test_server):
    response = requests.get(f"{flask_test_server.base_url}/admin/api/overview")
    assert response.json()["total_annotations"] > 0

Solução de Problemas

Falhas de login

  • Verifique se o servidor permite registro anônimo ou tem require_password: false
  • Verifique os logs do servidor em busca de erros de autenticação

Nenhuma instância disponível

  • Verifique se os arquivos de dados foram carregados corretamente
  • Verifique as configurações de estratégia de atribuição

Estratégia LLM não funciona

  • Verifique se a chave de API está definida
  • Para Ollama, verifique se o servidor está em execução
  • Verifique se o nome do modelo está correto

Leitura Adicional

Para detalhes de implementação, consulte a documentação de origem.