HƯỚNG DẪN KỸ THUẬT

Xây dựng bộ dữ liệu đánh giá LLM

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

Trên trang nàyđọc 4 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của việc xây dựng bộ dữ liệu đánh giá LLM
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

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.

Lặn sâu

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.

Triển khai trong thế giới thực

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.

Tương lai của việc xây dựng bộ dữ liệu đánh giá LLM

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.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

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

Take the Building an LLM Eval Dataset quiz

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.

Bắt đầu bài kiểm tra

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

Câu hỏi thường gặp

Xây dựng bộ dữ liệu đánh giá LLM là gì?

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.

Hướng dẫn đề xuất nguồn nào là nguồn khởi đầu tốt nhất cho các trường hợp eval?

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.

Khi nào một phiếu tự đánh giá thích hợp hơn một câu trả lời vàng duy nhất?

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.

Tiêu chí nào sau đây là tiêu chí đánh giá được viết tốt?

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 100 trường hợp đạt/không đạt và tỷ lệ đạt gần 80%, hướng dẫn nói gì về tỷ lệ sai sót?

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.

Mục đích của một lát hồi quy là gì?

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.