Tiếp theoHướng dẫn tiếp theo
Khung đánh giá LLM: Nhắcfoo và DeepEval
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Tập dữ liệu đánh giá LLM là một tập hợp các đầu vào thực tế được tuyển chọn, mỗi đầu vào được ghép nối với một câu trả lời vàng, dữ kiện tham khảo hoặc phiếu tự chấm điểm mà bạn chạy ứng dụng của mình để đo lường chất lượng và nắm bắt các hồi quy.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
Điều này quan trọng vì sự thay đổi đối với lời nhắc, mô hình hoặc truy xuất có thể cải thiện một hành vi trong khi phá vỡ một hành vi khác. Nếu không có bộ thử nghiệm cố định, các nhóm sẽ đánh giá các thay đổi bằng một số ví dụ được chọn lọc kỹ lưỡng.
Bắt đầu với việc sử dụng thực tế. Nhật ký, phiếu hỗ trợ, truy vấn tìm kiếm và phỏng vấn người dùng hiển thị những gì mọi người thực sự hỏi, bao gồm cả những cụm từ lộn xộn mà các ví dụ được phát minh bỏ sót. Trước khi ra mắt, hãy yêu cầu các chuyên gia tên miền viết thông tin đầu vào. Bạn có thể thêm các trường hợp tổng hợp do LLM tạo ra, miễn là một người xem xét chúng và xóa các mục không thực tế hoặc trùng lặp. Tiếp theo, xác định ý nghĩa chính xác cho từng trường hợp. Một số nhiệm vụ chỉ có một câu trả lời đúng, chẳng hạn như phân loại, trích xuất hoặc tra cứu thực tế. Đối với những điều này, hãy lưu trữ câu trả lời vàng có thể so sánh chính xác hoặc sau khi chuẩn hóa ánh sáng. Đối với các nhiệm vụ mở, hãy viết một tiêu chí cụ thể, có thể kiểm tra được, chẳng hạn như 'đề cập đến thời hạn hoàn trả' hoặc 'không đề xuất đối thủ cạnh tranh'. Các tiêu chí mơ hồ như 'hữu ích' dẫn đến việc chấm điểm không nhất quán, cho dù người chấm điểm là cá nhân hay người mẫu giám khảo. Sau đó, hãy đề cập đến phạm vi đầu vào thực tế có mục đích. Gắn thẻ các trường hợp theo mục đích, độ khó, ngôn ngữ và loại người dùng và kiểm tra xem các nhóm quan trọng có được trình bày hay không. Thêm các trường hợp đặc biệt và đầu vào đối nghịch: - câu hỏi mơ hồ - yêu cầu thiếu thông tin - đầu vào rất dài - yêu cầu ngoài phạm vi nên bị từ chối - các lần thử tiêm nhắc Giữ một lát hồi quy được tạo từ các lỗi trong quá khứ. Kích thước tập hợp theo quyết định mà nó phải hỗ trợ. Một vài chục trường hợp được lựa chọn tốt có thể sớm bộc lộ những vấn đề lớn. Việc phát hiện những khác biệt nhỏ một cách đáng tin cậy sẽ mất nhiều thời gian hơn. Với 100 trường hợp đạt/không đạt và tỷ lệ đậu gần 80%, biên độ sai số là khoảng cộng hoặc trừ 8 điểm phần trăm với độ tin cậy 95%. Sự cải thiện hai điểm không thể phân biệt được với tiếng ồn ở kích thước đó. Báo cáo kết quả cho từng phần chứ không chỉ là mức trung bình tổng thể. Một lỗi phổ biến là coi tập dữ liệu là đã hoàn thành. Sản phẩm và người dùng thay đổi, vì vậy hãy làm mới nó từ nhật ký mới. Giữ lại một phần mà bạn không bao giờ điều chỉnh để lời nhắc của bạn không quá phù hợp với bài kiểm tra.
Nhóm hỗ trợ xuất 300 vé thực đã xóa dữ liệu cá nhân, gắn nhãn độ phân giải chính xác cho từng vé và chấm điểm mọi phiên bản nhắc nhở mới dựa trên chúng.
Đối với một bản tóm tắt cuộc họp có nhiều từ đúng, nhóm sẽ viết một phiếu tự đánh giá: bao gồm ba quyết định quan trọng, không đưa ra những tuyên bố không có căn cứ, duy trì dưới 150 từ.
Nhóm bổ sung thêm các trường hợp đặc biệt: đầu vào trống, câu hỏi bằng tiếng Tây Ban Nha, tài liệu chứa nỗ lực chèn nhanh và yêu cầu ngoài phạm vi mà trợ lý nên từ chối.
Khi người dùng báo cáo một câu trả lời sai trong quá trình sản xuất, trường hợp đó sẽ được đưa vào tập dữ liệu có câu trả lời đúng, do đó, bản sửa lỗi vẫn được kiểm tra từ đó trở đi.
Công cụ đánh giá đã trưởng thành nhanh chóng. Các khung nguồn mở và nền tảng được lưu trữ hiện quản lý bộ dữ liệu, chạy trình chấm điểm và theo dõi kết quả theo thời gian. Việc tạo dữ liệu tổng hợp có thể sẽ tiếp tục được cải thiện, điều này khiến cho các trường hợp hiếm hoi trở nên rẻ hơn. Nó không thể thay thế đầu vào của người dùng thực làm điểm neo cho những vấn đề quan trọng. Khi các ứng dụng trở nên mang tính tác nhân hơn, các bộ đánh giá ngày càng bao gồm các nhiệm vụ nhiều bước được phân loại dựa trên cả kết quả cuối cùng và các bước thực hiện trong quá trình thực hiện. Nguyên tắc cốt lõi thay đổi chậm rãi: xác định thành công rõ ràng, bao gồm các yếu tố đầu vào thực tế, sử dụng đủ trường hợp để tin tưởng vào các con số và làm mới tập hợp thường xuyên từ quá trình sản xuất.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Tập dữ liệu đánh giá LLM là một tập hợp các đầu vào thực tế được tuyển chọn, mỗi đầu vào được ghép nối với một câu trả lời vàng, dữ kiện tham khảo hoặc phiếu tự chấm điểm mà bạn chạy ứng dụng của mình để đo lường chất lượng và nắm bắt các hồi quy. Điều này quan trọng vì sự thay đổi đối với lời nhắc, mô hình hoặc truy xuất có thể cải thiện một hành vi trong khi phá vỡ một hành vi khác. Nếu không có bộ thử nghiệm cố định, các nhóm sẽ đánh giá các thay đổi bằng một số ví dụ được chọn lọc kỹ lưỡng.
Cách sử dụng thực sự nắm bắt được những gì mọi người thực sự hỏi, bao gồm cả cách diễn đạt lộn xộn. Vỏ tổng hợp là phần bổ sung đã được xem xét, không phải là sự thay thế.
Các kết quả đầu ra mở như tóm tắt không thể khớp chính xác. Các tiêu chí cụ thể, có thể kiểm tra được cho phép người chấm điểm đánh giá chúng một cách nhất quán.
Một tiêu chí tốt là cụ thể và có thể kiểm tra được. Các tiêu chí mơ hồ như 'hữu ích' dẫn đến việc mọi người cũng như các mô hình đánh giá đánh giá không nhất quán.
Với độ tin cậy 95%, biên độ là khoảng 8 điểm ở quy mô này. Sự khác biệt nhỏ giữa các phiên bản không thể được tin cậy nếu không có nhiều trường hợp hơn.
Việc thêm mọi lỗi đã sửa vào tập dữ liệu có nghĩa là một thay đổi sau này không thể âm thầm đưa lại lỗi tương tự.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Khung đánh giá LLM: Nhắcfoo và DeepEval
kỹ thuật