LLM 作为评判

在这篇博文中，我们将深入探讨一场革新语言模型评估方式的旅程。我们将探索 MLflow Evaluate 的强大功能，并利用大型语言模型 (LLMs) 作为评判。通过阅读本文，你将学会如何创建自定义指标、实现基于 LLM 的评估，并将这些技术应用于实际场景。准备好改造你的模型评估流程，并深入了解你的 AI 性能吧！

评估语言模型的挑战

评估大型语言模型 (LLMs) 和自然语言处理 (NLP) 系统面临诸多挑战，主要源于其复杂性以及它们可以执行的任务的多样性。

一个主要的难题是创建能够全面衡量各种应用（从生成连贯文本到理解细微的人类情感）性能的指标。传统基准往往无法捕捉这些微妙之处，导致评估不完整。

LLM 作为评判可以通过利用其广泛的训练数据来提供更细致的评估，从而解决这些问题，提供关于模型行为和需要改进领域的见解。例如，LLM 可以分析模型生成的文本是否不仅语法正确，而且上下文适当且引人入胜，这是更静态的指标可能无法捕捉到的。

然而，要有效前进，我们需要的不仅仅是更好的评估方法。标准化实验设置对于确保模型之间的比较既公平又可重复至关重要。统一的测试和评估框架将使研究人员能够在前人的工作基础上继续发展，从而实现更一致的进步和开发更稳健的模型。

MLflow LLM Evaluate 简介

MLflow LLM Evaluate 是 MLflow 生态系统中的一个强大功能，它通过提供标准化的实验设置来实现全面的模型评估。它支持内置指标和自定义（LLM）指标，使其成为评估复杂语言任务的理想工具。使用 MLflow LLM Evaluate，你可以：

• 同时针对多个指标评估模型
• 对特定模型类型（例如，问答、文本摘要和纯文本）使用预定义指标
• 创建自定义指标，包括使用 LLMs 作为评判的指标，使用 mlflow.metrics.genai.make_genai_metric() 和 mlflow.metrics.genai.make_genai_metric_from_prompt()

用 LLM 作为评判征服新市场

想象一下，你是一家全球旅行社“WorldWide Wandercorp”的一员，正在将其业务范围扩展到西班牙语国家。

你的团队开发了一个由 AI 驱动的翻译系统，用于创建符合当地文化的营销材料和客户沟通。然而，当你开始使用这个系统时，你意识到传统的评估指标，如 BLEU（双语评估替补），在捕捉语言翻译的细微之处方面力有不逮，尤其是在保留文化背景和习语表达方面。

例如，考虑短语“kick the bucket”。直接翻译可能只关注字面意思，但这个习语的实际意思是“死亡”。像 BLEU 这样的传统指标可能会错误地评估该翻译是充分的，即使翻译后的单词与参考翻译匹配，而失去了文化意义。在这种情况下，即使翻译在上下文中完全不合适，该指标也可能得分很高。这可能导致尴尬或文化不敏感的营销内容，这是你的团队想要避免的。

你需要一种方法来评估翻译不仅准确，而且保留了预期含义、语气和文化背景。这就是 MLflow Evaluate 和作为评判的 LLMs（大型语言模型）发挥作用的地方。这些工具可以通过考虑上下文、习语表达和文化相关性来更全面地评估翻译，为 AI 的输出提供更可靠的评估。

自定义指标：根据你的需求定制评估

在以下部分，我们将实现三个指标：

• "cultural_sensitivity" 指标确保翻译保持文化背景和适当性。
• "faithfulness" 指标检查聊天机器人回复是否准确地与公司政策和检索到的内容一致。
• "toxicity" 指标评估回复是否存在有害或不适当的内容，确保尊重客户互动。

这些指标将帮助 Worldwide WanderAgency 确保其 AI 驱动的翻译和互动满足其特定需求。

评估 Worldwide WanderAgency 的 AI 系统

现在我们了解了 WanderAgency 面临的挑战，让我们深入了解代码演练来解决这些问题。我们将实现自定义指标来衡量 AI 性能，并构建一个仪表盘可视化图表，以便与利益相关者分享结果。

我们将从评估语言翻译模型开始，重点关注“cultural_sensitivity”指标，以确保其保留文化细微之处。这将帮助 WanderAgency 在全球沟通中保持高标准。

文化敏感度指标

旅行社希望确保其翻译不仅准确，而且符合当地文化。为了实现这一点，他们正在考虑创建一个自定义指标，以便 Worldwide WanderAgency 能够量化其翻译在多大程度上保留了文化背景和习语表达。

例如，在一个文化中礼貌的短语在另一个文化中可能不合适。在英语中，在专业电子邮件中称呼某人“Dear”可能被视为礼貌。然而，在西班牙语中，在专业场合使用“Querido”可能过于私人化且不合适。

我们如何系统地评估这样一个抽象概念？传统指标会力有不逮，所以我们需要一种更好的方法。在这种情况下，LLM 作为评判将是一个很好的选择！对于这个用例，让我们创建一个“cultural_sensitivity”指标。

以下是该过程的简要概述：首先安装本演示所需的所有必要库。

pip install mlflow>=2.14.1 openai  transformers torch torchvision evaluate datasets tiktoken fastapi rouge_score textstat tenacity plotly ipykernel nbformat>=5.10.4

在此示例中，我们将使用 gpt3.5 和 gpt4，为此，我们首先要确保我们的OpenAI 密钥已设置。

导入必要的库。

import mlflow
import os

# Run a quick validation that we have an entry for the OPEN_API_KEY within environment variables

assert "OPENAI_API_KEY" in os.environ, "OPENAI_API_KEY environment variable must be set"

import openai
import pandas as pd

使用 mlflow.evaluate() 函数时，你的大型语言模型 (LLM) 可以采用以下形式之一：

1. 一个 mlflow.pyfunc.PyFuncModel() — 通常是一个 MLflow 模型。
2. 一个 Python 函数，接受字符串作为输入并返回一个字符串作为输出。
3. 一个 MLflow Deployments 端点 URI。
4. 如果提供的数据已经由模型评分，并且不需要指定模型，则 model=None。

在此示例中，我们将使用 MLflow 模型。

我们将首先在 MLflow 中记录一个翻译模型。在本教程中，我们将使用 GPT-3.5 并定义一个系统提示。

在生产环境中，你通常会尝试不同的提示和模型，以确定最适合你用例的配置。有关更多详细信息，请参阅 MLflow 的Prompt Engineering UI。

system_prompt = "Translate the following sentences into Spanish"
# Let's set up an experiment to make it easier to track our results
mlflow.set_experiment("/Path/to/your/experiment")

basic_translation_model = mlflow.openai.log_model(
    model="gpt-3.5-turbo",
    task=openai.chat.completions,
    artifact_path="model",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "{user_input}"},
    ],
)

让我们测试模型以确保它工作正常。

model = mlflow.pyfunc.load_model(basic_translation_model.model_uri)

model.predict("Hello, how are you?")

# Output = ['¡Hola, ¿cómo estás?']

要使用 mlflow.evaluate()，我们首先需要准备样本数据，作为我们 LLM 的输入。在此场景中，输入将包含公司打算翻译的内容。

为了演示目的，我们将定义一组常见的英语表达，希望模型进行翻译。

# Prepare evaluation data
eval_data = pd.DataFrame(
    {
        "llm_inputs": [
            "I'm over the moon about the news!",
            "Spill the beans.",
            "Bite the bullet.",
            "Better late than never.",

        ]
    }
)

为了满足旅行社的目标，我们将定义自定义指标来评估翻译质量。特别是，我们需要评估翻译不仅在多大程度上准确捕捉字面意思，还在多大程度上捕捉文化细微之处。

默认情况下，mlflow.evaluate() 使用 openai:/gpt-4 作为评估模型。但是，你也可以选择使用本地模型进行评估，例如包装在 PyFunc 中的模型（例如 Ollama）。

在此示例中，我们将使用 GPT-4 作为评估模型。

首先，提供几个例子来演示好的和差的翻译得分。

# Define the custom metric
cultural_sensitivity = mlflow.metrics.genai.make_genai_metric(
    name="cultural_sensitivity",
    definition="Assesses how well the translation preserves cultural nuances and idioms.",
    grading_prompt="Score from 1-5, where 1 is culturally insensitive and 5 is highly culturally aware.",
    examples=[
        mlflow.metrics.genai.EvaluationExample(
            input="Break a leg!",
            output="¡Rómpete una pierna!",
            score=2,
            justification="This is a literal translation that doesn't capture the idiomatic meaning."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="Break a leg!",
            output="¡Mucha mierda!",
            score=5,
            justification="This translation uses the equivalent Spanish theater idiom, showing high cultural awareness."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="It's raining cats and dogs.",
            output="Está lloviendo gatos y perros.",
            score=1,
            justification="This literal translation does not convey the idiomatic meaning of heavy rain."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="It's raining cats and dogs.",
            output="Está lloviendo a cántaros.",
            score=5,
            justification="This translation uses a Spanish idiom that accurately conveys the meaning of heavy rain."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="Kick the bucket.",
            output="Patear el balde.",
            score=1,
            justification="This literal translation fails to convey the idiomatic meaning of dying."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="Kick the bucket.",
            output="Estirar la pata.",
            score=5,
            justification="This translation uses the equivalent Spanish idiom for dying, showing high cultural awareness."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="Once in a blue moon.",
            output="Una vez en una luna azul.",
            score=2,
            justification="This literal translation does not capture the rarity implied by the idiom."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="Once in a blue moon.",
            output="De vez en cuando.",
            score=4,
            justification="This translation captures the infrequency but lacks the idiomatic color of the original."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="The ball is in your court.",
            output="La pelota está en tu cancha.",
            score=3,
            justification="This translation is understandable but somewhat lacks the idiomatic nuance of making a decision."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="The ball is in your court.",
            output="Te toca a ti.",
            score=5,
            justification="This translation accurately conveys the idiomatic meaning of it being someone else's turn to act."
        )
    ],
    model="openai:/gpt-4",
    parameters={"temperature": 0.0},
)

毒性指标

除了这个自定义指标外，我们还将使用 MLflow 内置的评估器指标。在这种情况下，MLflow 将使用 roberta-hate-speech 模型来检测毒性。这个指标评估回复是否存在任何有害或不当内容，强化了公司提供积极客户体验的承诺。

# Log and evaluate the model
with mlflow.start_run() as run:
    results = mlflow.evaluate(
        basic_translation_model.model_uri,
        data=eval_data,
        model_type="text",
        evaluators="default",
        extra_metrics=[cultural_sensitivity],
        evaluator_config={
        "col_mapping": {
            "inputs": "llm_inputs",
           }}
   )

mlflow.end_run()

你可以这样获取最终结果：

results.tables["eval_results_table"]

	llm_inputs	outputs	token_count	toxicity/v1/score	flesch_kincaid_grade_level/v1/score	ari_grade_level/v1/score	cultural_sensitivity/v1/score	cultural_sensitivity/v1/justification
0	I'm over the moon about the news! (我对这个消息欣喜若狂！)	¡Estoy feliz por la noticia! (我对这个消息很开心！)	9	0.000258	5.2	3.7	4	翻译捕捉了整体情绪...
1	Spill the beans. (泄露秘密。)	Revela el secreto. (泄露秘密。)	7	0.001017	9.2	5.2	5	翻译准确地捕捉了习语...
2	Bite the bullet. (咬紧牙关。)	Morder la bala. (咬子弹。)	7	0.001586	0.9	3.6	2	翻译“Morder la bala”是字面上的...
3	Better late than never. (迟做总比不做好。)	Más vale tarde que nunca. (迟做总比不做好。)	7	0.004947	0.5	0.9	5	翻译准确地捕捉了习语...

让我们分析最终指标...

cultural_sensitivity_score = results.metrics['cultural_sensitivity/v1/mean']
print(f"Cultural Sensitivity Score: {cultural_sensitivity_score}")

toxicity_score = results.metrics['toxicity/v1/mean']
# Calculate non-toxicity score
non_toxicity_score = "{:.2f}".format((1 - toxicity_score) * 100)
print(f"Non-Toxicity Score: {non_toxicity_score}%")

输出

Cultural Sensitivity Score: 3.75
Pureness Score: 99.80

通常，我们希望在仪表板上监控和跟踪这些指标，以便数据科学家和利益相关者都能了解这些解决方案的性能和可靠性。

在此示例中，让我们创建一个仪表盘来显示最终指标。

import plotly.graph_objects as go
from plotly.subplots import make_subplots

def create_gauge_chart(value1, title1, value2, title2):
    # Create a subplot figure with two columns
    fig = make_subplots(rows=1, cols=2, specs=[[{'type': 'indicator'}, {'type': 'indicator'}]])

    # Add the first gauge chart
    fig.add_trace(go.Indicator(
        mode = "gauge+number",
        value = value1,
        title = {'text': title1},
        gauge = {'axis': {'range': [None, 5]}}
    ), row=1, col=1)

    # Add the second gauge chart
    fig.add_trace(go.Indicator(
        mode = "gauge+number",
        value = value2,
        title = {'text': title2},
        gauge = {'axis': {'range': [None, 100]}}
    ), row=1, col=2)

    # Update layout
    fig.update_layout(height=400, width=800)

    # Show figure
    fig.show()

create_gauge_chart(cultural_sensitive_score, "Cultural Sensitivity Score", float(non_toxicity_score), "Non Toxicity Score")

忠实度指标

随着 Worldwide WanderAgency 的 AI 发展，他们添加了一个客户服务聊天机器人，可以处理多种语言的问题。这个聊天机器人使用 RAG（检索增强生成）系统，这意味着它从数据库或文档中检索信息，然后根据这些信息生成答案。

重要的是聊天机器人提供的答案与其检索到的信息保持一致。为了确保这一点，我们创建了一个“忠实度”指标。这个指标检查聊天机器人的回复与它应该基于的材料的匹配程度，确保提供给客户的信息是准确的。

例如，如果检索到的文档说“退货在 30 天内接受”，而聊天机器人回复说“我们的退货政策灵活，因地区而异”，那么它就与检索到的材料不符。这种不准确的回复（忠实度差）可能会误导客户并造成混乱。

使用 MLflow 评估 RAG - 忠实度

让我们评估我们的聊天机器人遵守检索到的信息的程度。这次我们将使用自定义函数而不是 MLflow 模型来定义忠实度指标，并查看聊天机器人的答案与它提取的数据有多一致。

# Prepare evaluation data
eval_data = pd.DataFrame(
    {
        "llm_inputs": [
            """Question: What is the company's policy on employee training?
context: "Our company offers various training programs to support employee development. Employees are required to complete at least one training course per year related to their role. Additional training opportunities are available based on performance reviews." """,
            """Question: What is the company's policy on sick leave?
context: "Employees are entitled to 10 days of paid sick leave per year. Sick leave can be used for personal illness or to care for an immediate family member. A doctor's note is required for sick leave exceeding three consecutive days." """,
            """Question: How does the company handle performance reviews?
context: "Performance reviews are conducted annually. Employees are evaluated based on their job performance, goal achievement, and overall contribution to the team. Feedback is provided, and development plans are created to support employee growth." """,
        ]
    }
)

现在让我们为这个忠实度指标定义一些例子。

examples = [
        mlflow.metrics.genai.EvaluationExample(
            input="""Question: What is the company's policy on remote work?
context: "Our company supports a flexible working environment. Employees can work remotely up to three days a week, provided they maintain productivity and attend all mandatory meetings." """,
            output="Employees can work remotely up to three days a week if they maintain productivity and attend mandatory meetings.",
            score=5,
            justification="The answer is accurate and directly related to the question and context provided."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="""Question: What is the company's policy on remote work?
context: "Our company supports a flexible working environment. Employees can work remotely up to three days a week, provided they maintain productivity and attend all mandatory meetings." """,
            output="Employees are allowed to work remotely as long as they want.",
            score=2,
            justification="The answer is somewhat related but incorrect because it does not mention the three-day limit."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="""Question: What is the company's policy on remote work?
context: "Our company supports a flexible working environment. Employees can work remotely up to three days a week, provided they maintain productivity and attend all mandatory meetings." """,
            output="Our company supports flexible work arrangements.",
            score=3,
            justification="The answer is related to the context but does not specifically answer the question about the remote work policy."
        ),
        mlflow.metrics.genai.EvaluationExample(
            input="""Question: What is the company's annual leave policy?
context: "Employees are entitled to 20 days of paid annual leave per year. Leave must be approved by the employee's direct supervisor and should be planned in advance to ensure minimal disruption to work." """,
            output="Employees are entitled to 20 days of paid annual leave per year, which must be approved by their supervisor.",
            score=5,
            justification="The answer is accurate and directly related to the question and context provided."
        )]

#  Define the custom metric
faithfulness = mlflow.metrics.genai.make_genai_metric(
    name="faithfulness",
    definition="Assesses how well the answer relates to the question and provided context.",
    grading_prompt="Score from 1-5, where 1 is not related at all and 5 is highly relevant and accurate.",
    examples=examples)

定义我们的 LLM 函数（在这种情况下，它可以是遵循 mlflow.evaluate() 特定输入/输出格式的任何函数）。

# Using custom function
def my_llm(inputs):
    answers = []
    system_prompt = "Please answer the following question in formal language based on the context provided."
    for index, row in inputs.iterrows():
        print('INPUTS:', row)
        completion = openai.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": f"{row}"},
            ],
        )
        answers.append(completion.choices[0].message.content)

    return answers

结果代码与我们之前所做的类似...

with mlflow.start_run() as run:
    results = mlflow.evaluate(
        my_llm,
        eval_data,
        model_type="text",
        evaluators="default",
        extra_metrics=[faithfulness],
        evaluator_config={
        "col_mapping": {
            "inputs": "llm_inputs",
           }}
    )
mlflow.end_run()

GenAI 指标

或者，我们可以利用 MLflow 内置的生成式 AI 指标，使用相同的例子。

MLflow 提供了几个使用 LLM 作为评判的内置指标。尽管实现方式不同，但这些指标的使用方法相同。只需将它们包含在 mlflow.evaluate() 函数的 extra_metrics 参数中即可。

在这种情况下，我们将使用 MLflow 的内置忠实度指标。

from mlflow.metrics.genai import EvaluationExample, faithfulness
faithfulness_metric = faithfulness(model="openai:/gpt-4")
print(faithfulness_metric)

mlflow.evaluate() 简化了提供评分上下文的过程，例如我们系统检索到的文档，直接输入到评估中。此功能与 LangChain 的检索器无缝集成，允许你将评估上下文作为专用列提供。有关更多详细信息，请参阅此示例。

在这种情况下，由于我们检索到的文档已包含在最终提示中，并且在本教程中我们不使用 LangChain，因此我们将简单地将 llm_input 列映射为我们的评分上下文。

with mlflow.start_run() as run:
    results = mlflow.evaluate(
        my_llm,
        eval_data,
        model_type="text",
        evaluators="default",
        extra_metrics=[faithfulness_metric],
        evaluator_config={
        "col_mapping": {
            "inputs": "llm_inputs",
            "context": "llm_inputs",
           }}
    )
mlflow.end_run()

评估后，我们得到以下结果：

结论

通过将文化敏感度得分与其他计算指标结合，我们的旅行社可以进一步优化其模型，以确保所有语言都能提供高质量内容。展望未来，我们可以重新审视和调整用于提升文化敏感度得分的提示。或者，我们可以微调一个更小的模型，以保持同样高水平的文化敏感度，同时降低成本。这些措施将帮助我们为旅行社的多元化客户群提供更好的服务。

mlflow.evaluate()，结合 LLMs 作为评判，为细致入微和上下文感知的模型评估开辟了新的可能性。通过创建针对模型性能特定方面的自定义指标，数据科学家可以更深入地了解模型的优点和缺点。

make_genai_metric() 提供的灵活性使你能够创建完美适用于特定用例的评估标准。无论你需要结构化的指导来引导你的 LLM 评判，还是想完全控制提示过程，MLflow 都能提供所需的工具。

当你探索 MLflow evaluate 和基于 LLM 的指标时，请记住关键在于设计深思熟虑的评估标准并向你的 LLM 评判提供清晰的说明。有了这些工具，你就能很好地将你的模型评估提升到新的水平，确保你的语言模型不仅在传统指标上表现良好，还能满足实际应用的细微需求。

内置指标（如毒性）提供标准化评估，这对于确保模型输出的安全性和可访问性至关重要。

作为最后的挑战，请用“gpt-4o-mini”重新运行所有测试，看看性能受到的影响。