Vyhodnotenie pipeline RAG
Na tejto strane
Ciele
- Vyhodnotiť vyhľadávanie a generovanie oddelene
- Implementovať automatizované metriky kvality RAG
- Vytvoriť kompletný rámec pre vyhodnocovanie
Dve osi vyhodnocovania
Pipeline RAG zlyháva dvoma veľmi odlišnými spôsobmi a ich zámena ťa bude stáť týždne práce. Buď zlyhal krok vyhľadávania pri hľadaní správnych dokumentov – v takom prípade je odpoveď nesprávna z dôvodov nesúvisiacich s modelom generovania a metriky z Lekcie 10 to diagnostikujú – alebo boli správne dokumenty prítomné, ale krok generovania sa vymkol kontrole: model si vymyslel detail alebo odpovedal na inú otázku, než bola položená.
Keď používateľ nahlási „odpoveď je nesprávna“, nepovie ti, ktorá z týchto dvoch príčin je na vine. Preto platí pravidlo: meraj obe zložky nezávisle pomocou odlišných metrík a upravuj vždy len jednu potom, čo identifikuješ, ktorá z nich podáva slabý výkon.
Metriky generovania
Vernosť (Faithfulness) odpovedá na otázku, ktorá je vo výrobe najdôležitejšia: je odpoveď úplne podložená poskytnutými dokumentmi, alebo si model pridal niečo od seba? Namiesto žiadosti o globálne skóre – ktoré hodnotitelia prideľujú príliš štedro – nechaj hodnotiteľa rozobrať odpoveď tvrdenie po tvrdení a každé klasifikovať ako podložené, nepodložené alebo vyvrátené. Tá posledná kategória je najcennejšia: tvrdenie, ktoré je v rozpore so zdrojom, signalizuje oveľa vážnejšiu chybu než jednoduché vynechanie.
from openai import OpenAI
client = OpenAI()
def evaluate_faithfulness(
question: str,
answer: str,
contexts: list[str]
) -> dict:
"""Evaluates whether the answer is faithful to the contexts."""
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}
Odpoveď môže byť dokonale verná, no zároveň zbytočná: môže verně kopírovať pasáž, ktorá sa týka niečoho iného. To meria relevantnosť odpovede, pričom tentoraz porovnáva odpoveď len s otázkou, bez dokumentov. Prompt stanovuje explicitnú škálu – 1,0 za úplnú odpoveď, 0,7 za čiastočnú, ale užitočnú odpoveď, 0,3 za okrajovú súvislosť, 0,0 za odchýlenie od témy – pretože hodnotiteľ požiadaný jednoducho o „hodnotenie od 0 do 1“ produkuje nestabilné skóre od jedného spustenia k druhému.
def evaluate_relevance(question: str, answer: str) -> float:
"""Relevance score of the answer relative to the question."""
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
Potom tu máme presnosť kontextu (context precision), ktorá spája obe osi: koľko z piatich dokumentov, ktoré si vložil do promptu, bolo skutočne použitých? Ak odpoveď na otázku o zásadách dovolenky čerpala len z jedného z piatich chunkov, ostatné štyri spotrebovali kontextový rozpočet a pridali šum. Preto sa hodnotiteľa pýtaš na každý kontext izolovane, s jednoduchým áno alebo nie, a vypočítaš podiel tých, ktoré boli užitočné.
def evaluate_context_precision(
question: str,
contexts: list[str],
answer: str
) -> dict:
"""Evaluates which contexts were useful for the answer."""
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
}
Kompletný rámec pre vyhodnocovanie
Tieto tri funkcie sú zbytočné, pokiaľ zostanú manuálne. Rozhodujúcim krokom je spustiť ich pri každej úprave pipeline na pevnej množine otázok: práve to mení pocit typu „myslím, že je to lepšie, odkedy som zmenil chunkovanie“ na porovnateľné číslo. Nižšie uvedená trieda execute pipeline na každej položke v dátovej sade, zbiera skóre a vracia ich priemery.
Pozri sa na príkladový dataset: dve otázky z oblasti HR, každá s očakávanou odpoveďou a identifikátorom dokumentov, ktoré by sa mali vyhľadať. Dvadsať až päťdesiat takýchto entries, napísaných raz a navždy na základe reálnych otázok používateľov, stačí na odhalenie regresie.
class RAGEvaluator:
def __init__(self, rag_pipeline):
self.pipeline = rag_pipeline
self.client = OpenAI()
def evaluate_dataset(self, dataset: list[dict]) -> dict:
"""Evaluates the pipeline on a question-answer dataset.
Each item: {question, expected_answer, relevant_docs}
"""
results = {
"faithfulness": [],
"relevance": [],
"context_precision": [],
}
for item in dataset:
# Execute the pipeline
output = self.pipeline.respond(item["question"])
answer = output["answer"]
contexts = [s["excerpt"] for s in output["sources"]]
# Evaluate
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"])
# Averages
import numpy as np
return {
metric: round(float(np.mean(scores)), 4)
for metric, scores in results.items()
}
# Usage
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 metrík
Tu sú ciele, na ktoré by si mal v produkčnom systéme mieriť, spolu s vysvetlením, čo každé číslo vlastne znamená.
| Metrika | Cieľ | Čo meria |
|---|---|---|
| Recall@5 | > 0,90 | Sú správne dokumenty v top 5? |
| Precision@5 | > 0,70 | Sú vrátené dokumenty relevantné? |
| Vernosť (Faithfulness) | > 0,85 | Je odpoveď verná zdrojom? |
| Relevantnosť odpovede | > 0,80 | Odpovedá odpoveď na otázku? |
| Presnosť kontextu | > 0,60 | Sú poskytnuté kontexty užitočné? |
Čítaj túto tabuľku zhora nadol ako diagnostický strom. Recall pod 0,90 robí akúkoľvek analýzu nasledujúcich riadkov bezpredmetnou: najprv oprav chunkovanie alebo index. Naopak, vynikajúci recall v kombinácii so slabou vernosťou ukazuje na prompt pre generovanie, nie na vyhľadávanie.
Kľúčové poznatky
- Vyhodnocuj vyhľadávanie (recall, precision) a generovanie (vernosť, relevantnosť) oddelene
- Vernosť odhaľuje halucinácie LLM
- Relevantnosť overuje, či je odpoveď užitočná
- Vytvor testovací dataset a meraj pred každou zmenou