Il prossimoProssima guida
LLM Eval Frameworks: Promptfoo and DeepEval
Tecnico
GUIDA TECNICA
Un set di dati di valutazione LLM è un insieme curato di input realistici, ciascuno abbinato a una risposta d'oro, fatti di riferimento o una rubrica di valutazione, su cui esegui la tua applicazione per misurare la qualità e individuare le regressioni.
Ascolta questa guidaNarrato dall'IA · ~3 min
È importante perché una modifica al prompt, al modello o al recupero può migliorare un comportamento compromettendone un altro. Senza un set di test fisso, i team finiscono per giudicare i cambiamenti in base ad alcuni esempi selezionati con cura.
Inizia con l'utilizzo reale. Registri, ticket di supporto, query di ricerca e interviste agli utenti mostrano ciò che le persone effettivamente chiedono, comprese le frasi confuse che mancano agli esempi inventati. Prima del lancio, chiedi agli esperti del dominio di scrivere input. È possibile aggiungere casi sintetici generati da un LLM, a condizione che una persona li riveda e rimuova elementi non realistici o duplicati. Successivamente, definisci cosa significa corretto per ciascun caso. Alcune attività hanno una risposta giusta, come la classificazione, l'estrazione o una ricerca fattuale. Per questi, memorizzare una risposta dorata che può essere confrontata esattamente o dopo la normalizzazione della luce. Per le attività a risposta aperta, scrivi una rubrica di criteri specifici e verificabili, come "menziona la scadenza per il rimborso" o "non consiglia un concorrente". Criteri vaghi come "è utile" portano a valutazioni incoerenti, indipendentemente dal fatto che il valutatore sia una persona o un giudice modello. Quindi copri di proposito la gamma degli input reali. Contrassegna i casi in base all'intento, alla difficoltà, alla lingua e al tipo di utente e controlla che i gruppi importanti siano rappresentati. Aggiungere casi limite e input contraddittori: - domande ambigue - richieste con informazioni mancanti - input molto lunghi - richieste fuori ambito che dovrebbero essere rifiutate - tentativi di inserimento rapido Mantenere una fetta di regressione fatta di fallimenti passati. Dimensionare il set in base alla decisione che deve supportare. Alcune decine di casi ben scelti possono rivelare presto grossi problemi. Per rilevare in modo affidabile piccole differenze è necessario molto più tempo. Con 100 casi di superamento/non superamento e un tasso di superamento vicino all'80%, il margine di errore è di circa più o meno 8 punti percentuali con una confidenza del 95%. Un miglioramento di due punti è indistinguibile dal rumore di quelle dimensioni. Riporta i risultati per ogni sezione, non solo la media complessiva. Un errore comune è considerare il set di dati come finito. I prodotti e gli utenti cambiano, quindi aggiornalo dai nuovi log. Mantieni una parte trattenuta su cui non ti sintonizzi mai, in modo che i tuoi suggerimenti non si adattino eccessivamente al test.
Un team di supporto esporta 300 ticket reali con i dati personali rimossi, etichetta la risoluzione corretta per ciascuno e valuta ogni nuova versione del prompt rispetto ad essi.
Per un riassunto della riunione in cui molte parole siano corrette, il team scrive una rubrica: copre le tre decisioni chiave, non fa affermazioni non supportate, rimane sotto le 150 parole.
Il team aggiunge casi limite: un input vuoto, una domanda in spagnolo, un documento contenente un tentativo di inserimento rapido e una richiesta fuori ambito che l'assistente dovrebbe rifiutare.
Quando un utente segnala una risposta errata in produzione, il caso viene inserito nel set di dati con la risposta corretta, quindi la correzione rimane testata da quel momento in poi.
Gli strumenti Eval sono maturati rapidamente. I framework open source e le piattaforme ospitate ora gestiscono set di dati, eseguono valutatori e tengono traccia dei risultati nel tempo. La generazione di dati sintetici probabilmente continuerà a migliorare, il che rende più economico coprire i casi rari. Non può sostituire gli input degli utenti reali come ancoraggio per ciò che conta. Man mano che le applicazioni diventano più agenti, i set di valutazione includono sempre più attività in più fasi valutate sia in base al risultato finale che ai passi compiuti lungo il percorso. La disciplina fondamentale cambia lentamente: definire chiaramente il successo, coprire input reali, utilizzare casi sufficienti per fidarsi dei numeri e aggiornare regolarmente il set dalla produzione.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Un set di dati di valutazione LLM è un insieme curato di input realistici, ciascuno abbinato a una risposta d'oro, fatti di riferimento o una rubrica di valutazione, su cui esegui la tua applicazione per misurare la qualità e individuare le regressioni. È importante perché una modifica al prompt, al modello o al recupero può migliorare un comportamento compromettendone un altro. Senza un set di test fisso, i team finiscono per giudicare i cambiamenti in base ad alcuni esempi selezionati con cura.
L'utilizzo reale coglie ciò che le persone effettivamente chiedono, comprese le frasi confuse. Le custodie sintetiche sono un supplemento rivisto, non una sostituzione.
I risultati aperti, come i riassunti, non possono essere abbinati esattamente. Criteri specifici e verificabili consentono ai valutatori di giudicarli in modo coerente.
Un buon criterio è specifico e verificabile. Criteri vaghi come "è utile" portano a valutazioni incoerenti da parte delle persone e dei modelli di giudizio.
Con una confidenza del 95% il margine è di circa 8 punti con queste dimensioni. Piccole differenze tra le versioni non possono essere attendibili senza più casi.
Aggiungere ogni errore corretto al set di dati significa che una modifica successiva non può reintrodurre silenziosamente lo stesso bug.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
LLM Eval Frameworks: Promptfoo and DeepEval
Tecnico