Valutare una pipeline RAG
In questa pagina
Obiettivi
- Valutare separatamente il recupero e la generazione
- Implementare metriche automatizzate per la qualità RAG
- Costruire un framework di valutazione completo
I due assi della valutazione
Una pipeline RAG può fallire in due modi molto diversi e confonderli ti costerà settimane. O lo step di recupero non ha trovato i documenti giusti — in tal caso la risposta è errata per motivi estranei al modello di generazione e le metriche della Lezione 10 lo diagnosticheranno — oppure i documenti corretti erano presenti, ma lo step di generazione è andato fuori strada: il modello ha inventato un dettaglio o ha risposto a una domanda diversa da quella posta.
Quando un utente segnala «la risposta è sbagliata», non ti dirà quale delle due cause sia in gioco. Da qui la regola: misura entrambi i componenti in modo indipendente con metriche distinte e modifica uno solo dopo aver identificato quale dei due sta sottoperformando.
Metriche di generazione
La fedeltà (faithfulness) risponde alla domanda più importante in produzione: la risposta è interamente supportata dai documenti forniti o il modello ha aggiunto del suo? Invece di chiedere un punteggio globale — che i giudici tendono a assegnare con troppa generosità — chiedi al giudice di scomporre la risposta affermazione per affermazione e di classificare ciascuna come supportata, non supportata o contraddetta. Quest’ultima categoria è la più preziosa: un’affermazione che contraddice la fonte segnala un errore ben più grave di una semplice omissione.
from openai import OpenAI
client = OpenAI()
def evaluate_faithfulness(
question: str,
answer: str,
contexts: list[str]
) -> dict:
"""Valuta se la risposta è fedele ai contesti."""
full_context = "\n\n---\n\n".join(contexts)
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Evaluate the faithfulness of this answer relative to the "
f"source documents.\n\n"
f"Source documents:\n{full_context}\n\n"
f"Question: {question}\n\n"
f"Answer: {answer}\n\n"
f"For each claim in the answer, indicate:\n"
f"- SUPPORTED: if confirmed by the documents\n"
f"- UNSUPPORTED: if it does not appear in the documents\n"
f"- CONTRADICTED: if it contradicts the documents\n\n"
f"End with a global score from 0 to 1."
)
}],
temperature=0
)
return {"evaluation": response.choices[0].message.content}
Una risposta può essere perfettamente fedele ma inutile: potrebbe copiare fedelmente un passaggio che tratta tutt’altro. È ciò che misura la rilevanza della risposta, confrontando questa volta la risposta solo con la domanda, senza i documenti. Il prompt definisce una scala esplicita — 1,0 per una risposta completa, 0,7 per una risposta parziale ma utile, 0,3 per tangenziale, 0,0 per fuori tema — perché un giudice a cui si chiede semplicemente di «valutare da 0 a 1» produce punteggi instabili da un’esecuzione all’altra.
def evaluate_relevance(question: str, answer: str) -> float:
"""Punteggio di rilevanza della risposta rispetto alla domanda."""
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"On a scale of 0 to 1, how well does this answer "
f"address the question asked?\n\n"
f"Question: {question}\n"
f"Answer: {answer}\n\n"
f"Criteria:\n"
f"- 1.0: complete and precise answer\n"
f"- 0.7: partial but useful answer\n"
f"- 0.3: tangentially related\n"
f"- 0.0: off-topic\n\n"
f"Return only the numeric score."
)
}],
temperature=0,
max_tokens=10
)
try:
return float(response.choices[0].message.content.strip())
except ValueError:
return 0.0
C’è poi la precisione del contesto, che fa da ponte tra i due assi: tra i cinque documenti che hai iniettato nel prompt, quanti sono stati effettivamente utilizzati? Se la risposta a una domanda sulle politiche di congedo ha attinto a uno solo dei cinque chunk, gli altri quattro hanno consumato budget di contesto e aggiunto rumore. Chiedi quindi al giudice di valutare ogni contesto in isolamento, con un semplice sì o no, e calcoli la proporzione di quelli utili.
def evaluate_context_precision(
question: str,
contexts: list[str],
answer: str
) -> dict:
"""Valuta quali contesti sono stati utili per la risposta."""
results = []
for i, ctx in enumerate(contexts):
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Was this document useful for answering "
f"the question?\n\n"
f"Question: {question}\n"
f"Document: {ctx[:500]}\n"
f"Generated answer: {answer}\n\n"
f"Answer YES or NO."
)
}],
temperature=0,
max_tokens=5
)
useful = "yes" in response.choices[0].message.content.lower()
results.append({"index": i, "useful": useful})
num_useful = sum(1 for r in results if r["useful"])
return {
"details": results,
"precision": num_useful / len(contexts) if contexts else 0
}
Framework di valutazione completo
Queste tre funzioni sono inutili finché restano manuali. Lo step decisivo è eseguirle su un set fisso di domande ogni volta che modifichi la pipeline: è questo che trasforma una sensazione istintiva — «penso che sia migliorato da quando ho cambiato il chunking» — in un numero confrontabile. La classe seguente esegue la pipeline su ogni elemento del dataset, raccoglie i punteggi e restituisce le loro medie.
Osserva il dataset di esempio: due domande HR, ciascuna con una risposta attesa e l’identificatore dei documenti che dovrebbero essere recuperati. Venti-cinquanta voci di questo tipo, scritte una volta per tutte a partire da domande reali degli utenti, bastano a rilevare regressioni.
class RAGEvaluator:
def __init__(self, rag_pipeline):
self.pipeline = rag_pipeline
self.client = OpenAI()
def evaluate_dataset(self, dataset: list[dict]) -> dict:
"""Valuta la pipeline su un dataset di domande e risposte.
Ogni elemento: {question, expected_answer, relevant_docs}
"""
results = {
"faithfulness": [],
"relevance": [],
"context_precision": [],
}
for item in dataset:
# Esegui la pipeline
output = self.pipeline.respond(item["question"])
answer = output["answer"]
contexts = [s["excerpt"] for s in output["sources"]]
# Valuta
relevance = evaluate_relevance(item["question"], answer)
results["relevance"].append(relevance)
ctx_eval = evaluate_context_precision(
item["question"], contexts, answer
)
results["context_precision"].append(ctx_eval["precision"])
# Medie
import numpy as np
return {
metric: round(float(np.mean(scores)), 4)
for metric, scores in results.items()
}
# Utilizzo
dataset = [
{
"question": "How many leave days do I have?",
"expected_answer": "25 days of paid leave per year",
"relevant_docs": ["leave-policy"]
},
{
"question": "Can I work remotely on Mondays?",
"expected_answer": "Yes, remote work is allowed except on Tuesdays and Thursdays",
"relevant_docs": ["remote-work-policy"]
},
]
evaluator = RAGEvaluator(rag_pipeline)
metrics = evaluator.evaluate_dataset(dataset)
print("Results:")
for k, v in metrics.items():
print(f" {k}: {v}")
Dashboard delle metriche
Ecco i target da raggiungere in un sistema di produzione, insieme al significato concreto di ciascun numero.
| Metrica | Target | Cosa misura |
|---|---|---|
| Recall@5 | > 0,90 | I documenti giusti sono nei primi 5? |
| Precision@5 | > 0,70 | I documenti restituiti sono rilevanti? |
| Faithfulness | > 0,85 | La risposta è fedele alle fonti? |
| Answer Relevance | > 0,80 | La risposta affronta la domanda? |
| Context Precision | > 0,60 | I contesti forniti sono utili? |
Leggi questa tabella dall’alto verso il basso come un albero diagnostico. Un recall inferiore a 0,90 rende inutile qualsiasi analisi delle righe successive: sistema prima il chunking o l’indice. Al contrario, un recall eccellente abbinato a una fedeltà scarsa indica un problema nel prompt di generazione, non nella ricerca.
Punti chiave
- Valuta separatamente il recupero (recall, precisione) e la generazione (fedeltà, rilevanza)
- La fedeltà rileva le allucinazioni dell’LLM
- La rilevanza verifica che la risposta sia utile
- Costruisci un dataset di test e misura prima di ogni modifica