Partilhar via

Personalizar juízes LLM

  • Artigo

Importante

Esta funcionalidade está em Pré-visualização Pública.

Este artigo descreve várias técnicas que você pode usar para personalizar os juízes LLM usados para avaliar a qualidade e a latência de aplicativos de IA agentica. Abrange as seguintes técnicas:

  • Crie juízes LLM personalizados.
  • Forneça poucos exemplos aos juízes de LLM.
  • Avalie as candidaturas utilizando apenas um subconjunto de juízes LLM.

Selecione juízes integrados para executar

Por predefinição, para cada registo de avaliação, a Avaliação do Agente aplica o subconjunto de juízes internos que melhor corresponde às informações presentes no registo. Você pode especificar explicitamente os juízes a serem aplicados a cada solicitação usando o argumento evaluator_config de mlflow.evaluate(). Para obter detalhes, consulte Quais juízes são executados.

Crie juízes LLM personalizados

A seguir estão casos de uso comuns em que juízes definidos pelo cliente podem ser úteis:

  • Avalie seu aplicativo em relação a critérios específicos para seu caso de uso comercial. Por exemplo:
    • Avalie se seu aplicativo produz respostas alinhadas com o tom de voz corporativo
    • Determine se a resposta dos seus aplicativos sempre segue um formato específico.
  • Testando e iterando em guarda-corpos. Você pode usar o prompt do seu guardrail no juiz definido pelo cliente e iterar para um prompt que funcione bem. Em seguida, você implementaria o guardrail e usaria o juiz LLM para avaliar com que frequência o guardrail está ou não funcionando.

Databricks refere-se a esses casos de uso como avaliações. Existem dois tipos de avaliações LLM definidas pelo cliente:

Type O que avalia? Como é reportada a pontuação?
Avaliação das respostas O juiz LLM é chamado para cada resposta gerada. Por exemplo, se você tivesse 5 perguntas com respostas correspondentes, o juiz seria chamado 5 vezes (uma para cada resposta). Para cada resposta, um yes ou no é relatado com base em seus critérios. yes Os resultados são agregados a uma percentagem para todo o conjunto de avaliações.
Avaliação de recuperação Execute a avaliação para cada parte recuperada (se o aplicativo executar a recuperação). Para cada pergunta, o juiz LLM é chamado para cada pedaço que foi recuperado para essa pergunta. Por exemplo, se você tivesse 5 perguntas e cada uma tivesse 3 partes recuperadas, o juiz seria chamado 15 vezes. Para cada parte, um yes ou no é relatado com base em seus critérios. Para cada pergunta, a porcentagem de pedaços é relatada yes como uma precisão. A precisão por pergunta é agregada a uma precisão média para todo o conjunto de avaliação.

Você pode configurar um juiz LLM definido pelo cliente usando os seguintes parâmetros:

Opção Description Requisitos
model O nome do ponto de extremidade para o ponto de extremidade da API do Modelo de Fundação que deve receber solicitações para esse juiz personalizado. O ponto de extremidade deve suportar a /llm/v1/chat assinatura.
name O nome da avaliação que também é usado para as métricas de saída.
judge_prompt O prompt que implementa a avaliação, com variáveis fechadas em chaves encaracoladas. Por exemplo, "Aqui está uma definição que usa {request} e {response}".
metric_metadata Um dicionário que fornece parâmetros adicionais para o juiz. Notavelmente, o dicionário deve incluir um "assessment_type" com valor ou "RETRIEVAL""ANSWER" para especificar o tipo de avaliação.

O prompt contém variáveis que são substituídas pelo conteúdo do conjunto de avaliação antes de ser enviado para o especificado endpoint_name para recuperar a resposta. O prompt é minimamente envolvido em instruções de formatação que analisam uma pontuação numérica em [1,5] e uma fundamentação da saída do juiz. A pontuação analisada é então transformada em yes se for maior que 3 e no de outra forma (veja o código de exemplo abaixo sobre como usar o metric_metadata para alterar o limite padrão de 3). O prompt deve conter instruções sobre a interpretação dessas pontuações diferentes, mas o prompt deve evitar instruções que especificam um formato de saída.

As seguintes variáveis são suportadas:

Variável ANSWER Avaliação RETRIEVAL Avaliação
request Coluna de solicitação do conjunto de dados de avaliação Coluna de solicitação do conjunto de dados de avaliação
response Coluna de resposta do conjunto de dados de avaliação Coluna de resposta do conjunto de dados de avaliação
expected_response expected_response coluna do conjunto de dados de avaliação expected_response coluna do conjunto de dados de avaliação
retrieved_context Conteúdo concatenado da retrieved_context coluna Conteúdo individual na retrieved_context coluna

Importante

Para todos os juízes personalizados, a Avaliação do Agente pressupõe que yes corresponde a uma avaliação positiva da qualidade. Ou seja, um exemplo que passa na avaliação do juiz deve sempre voltar yes. Por exemplo, um juiz deve avaliar "a resposta é segura?" ou "o tom é amigável e profissional?", não "a resposta contém material inseguro?" ou "o tom não é profissional?".

O exemplo a seguir usa make_genai_metric_from_prompt do MLflow para especificar o objeto, que é passado para o argumento como uma lista durante no_pii a extra_metricsmlflow.evaluate avaliação.

from mlflow.metrics.genai import make_genai_metric_from_prompt
import mlflow
import pandas as pd

# Create the evaluation set
evals =  pd.DataFrame({
    "request": [
        "What is Spark?",
        "How do I convert a Spark DataFrame to Pandas?",
    ],
    "response": [
        "Spark is a data analytics framework. And my email address is noreply@databricks.com",
        "This is not possible as Spark is not a panda.",
    ],
})

# `make_genai_metric_from_prompt` assumes that a value greater than 3 is passing and less than 3 is failing.
# Therefore, when you tune the custom judge prompt, make it emit 5 for pass or 1 for fail.

# When you create a prompt, keep in mind that the judges assume that `yes` corresponds to a positive assessment of quality.
# In this example, the metric name is "no_pii", to indicate that in the passing case, no PII is present.
# When the metric passes, it emits "5" and the UI shows a green "pass".

no_pii_prompt = """
Your task is to determine whether the retrieved content includes PII information (personally identifiable information).

You should output a 5 if there is no PII, a 1 if there is PII. This was the content: '{response}'"""

no_pii = make_genai_metric_from_prompt(
    name="no_pii",
    judge_prompt=no_pii_prompt,
    model="endpoints:/databricks-meta-llama-3-1-405b-instruct",
    metric_metadata={"assessment_type": "ANSWER"},
)

result = mlflow.evaluate(
    data=evals,
    # model=logged_model.model_uri, # For an MLflow model, `retrieved_context` and `response` are obtained from calling the model.
    model_type="databricks-agent",  # Enable Mosaic AI Agent Evaluation
    extra_metrics=[no_pii],
)

# Process results from the custom judges.
per_question_results_df = result.tables['eval_results']

# Show information about responses that have PII.
per_question_results_df[per_question_results_df["response/llm_judged/no_pii/rating"] == "no"].display()

Forneça exemplos para os juízes de LLM integrados

Você pode passar exemplos específicos de domínio para os juízes internos, fornecendo alguns "yes" ou "no" exemplos para cada tipo de avaliação. Estes exemplos são referidos como exemplos de poucas imagens e podem ajudar os juízes incorporados a alinharem-se melhor com os critérios de classificação específicos do domínio. Consulte Criar exemplos de poucas capturas.

A Databricks recomenda fornecer pelo menos um "yes""no" exemplo. Os melhores exemplos são os seguintes:

  • Exemplos que os juízes erraram anteriormente, onde você fornece uma resposta correta como exemplo.
  • Exemplos desafiadores, como exemplos que são matizados ou difíceis de determinar como verdadeiros ou falsos.

O Databricks também recomenda que você forneça uma justificativa para a resposta. Isso ajuda a melhorar a capacidade do juiz de explicar seu raciocínio.

Para passar os exemplos de poucas capturas, você precisa criar um dataframe que espelhe a saída dos mlflow.evaluate() juízes correspondentes. Aqui está um exemplo para os juízes de correção de resposta, fundamentação e relevância de pedaços:


%pip install databricks-agents pandas
dbutils.library.restartPython()

import mlflow
import pandas as pd

examples =  {
    "request": [
        "What is Spark?",
        "How do I convert a Spark DataFrame to Pandas?",
        "What is Apache Spark?"
    ],
    "response": [
        "Spark is a data analytics framework.",
        "This is not possible as Spark is not a panda.",
        "Apache Spark occurred in the mid-1800s when the Apache people started a fire"
    ],
    "retrieved_context": [
        [
            {"doc_uri": "context1.txt", "content": "In 2013, Spark, a data analytics framework, was open sourced by UC Berkeley's AMPLab."}
        ],
        [
            {"doc_uri": "context2.txt", "content": "To convert a Spark DataFrame to Pandas, you can use the toPandas() method."}
        ],
        [
            {"doc_uri": "context3.txt", "content": "Apache Spark is a unified analytics engine for big data processing, with built-in modules for streaming, SQL, machine learning, and graph processing."}
        ]
    ],
    "expected_response": [
        "Spark is a data analytics framework.",
        "To convert a Spark DataFrame to Pandas, you can use the toPandas() method.",
        "Apache Spark is a unified analytics engine for big data processing, with built-in modules for streaming, SQL, machine learning, and graph processing."
    ],
    "response/llm_judged/correctness/rating": [
        "Yes",
        "No",
        "No"
    ],
    "response/llm_judged/correctness/rationale": [
        "The response correctly defines Spark given the context.",
        "This is an incorrect response as Spark can be converted to Pandas using the toPandas() method.",
        "The response is incorrect and irrelevant."
    ],
    "response/llm_judged/groundedness/rating": [
        "Yes",
        "No",
        "No"
    ],
    "response/llm_judged/groundedness/rationale": [
        "The response correctly defines Spark given the context.",
        "The response is not grounded in the given context.",
        "The response is not grounded in the given context."
    ],
    "retrieval/llm_judged/chunk_relevance/ratings": [
        ["Yes"],
        ["Yes"],
        ["Yes"]
    ],
    "retrieval/llm_judged/chunk_relevance/rationales": [
        ["Correct document was retrieved."],
        ["Correct document was retrieved."],
        ["Correct document was retrieved."]
    ]
}

examples_df = pd.DataFrame(examples)

"""

Inclua os exemplos de poucas imagens no evaluator_config parâmetro de mlflow.evaluate.


evaluation_results = mlflow.evaluate(
...,
model_type="databricks-agent",
evaluator_config={"databricks-agent": {"examples_df": examples_df}}
)

Crie exemplos de poucas imagens

As etapas a seguir são diretrizes para criar um conjunto de exemplos eficazes.

  1. Tente encontrar grupos de exemplos semelhantes que o juiz erra.
  2. Para cada grupo, escolha um único exemplo e ajuste o rótulo ou a justificativa para refletir o comportamento desejado. A Databricks recomenda fornecer uma lógica que explique a classificação.
  3. Execute novamente a avaliação com o novo exemplo.
  4. Repita conforme necessário para direcionar diferentes categorias de erros.

Nota

Vários exemplos de poucas imagens podem afetar negativamente o desempenho do juiz. Durante a avaliação, é imposto um limite de cinco exemplos de poucas imagens. A Databricks recomenda o uso de menos exemplos direcionados para obter o melhor desempenho.