LLM 作为评委

在这篇博文中，我们将踏上一段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) 作为裁判的能力。读完本文，您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。准备好转变您的模型评估流程，并深入了解您的人工智能性能！

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) 系统存在诸多挑战，这主要是由于它们的复杂性和它们能够执行的任务的多样性。

一个主要的困难在于创建能够全面衡量各种应用性能的指标，从生成连贯的文本到理解微妙的人类情感。传统的基准测试往往无法捕捉这些细微差别，导致评估不完整。

充当裁判的 LLM 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，并提供对模型行为和需要改进的领域的见解。例如，LLM 可以分析模型生成的文本是否不仅语法正确，而且在上下文中是恰当且引人入胜的，这是更静态的指标可能忽略的。

然而，要有效地前进，我们需要的不仅仅是更好的评估方法。标准化的实验设置对于确保模型之间的比较既公平又可重现至关重要。一个统一的测试和评估框架将使研究人员能够借鉴彼此的工作，从而取得更一致的进展并开发更强大的模型。

介绍 MLflow LLM Evaluate

MLflow LLM Evaluate 是 MLflow 生态系统中一个强大的函数，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，是评估复杂语言任务的理想工具。借助 MLflow LLM Evaluate，您可以

• 同时根据多个指标评估模型
• 使用特定模型类型的预定义指标 (例如，问答、文本摘要和纯文本)
• 创建自定义指标，包括使用 LLM 作为裁判的指标，使用 mlflow.metrics.genai.make_genai_metric() 和 mlflow.metrics.genai.make_genai_metric_from_prompt()

借助 LLM 作为裁判征服新市场

想象一下，您是一家全球旅行社“WorldWide Wandercorp”的成员，该公司正在将其业务扩展到西班牙语国家。

您的团队开发了一个由人工智能驱动的翻译系统，以帮助创建文化上适宜的营销材料和客户沟通。然而，当您开始使用该系统时，您会发现像 BLEU (双语评估替补) 这样的传统评估指标在捕捉语言翻译的细微差别方面不足，尤其是在保留文化背景和习语方面。

例如，考虑短语“kick the bucket”。直接翻译可能侧重于字面意思，但该习语实际上是“去世”的意思。像 BLEU 这样的传统指标可能会错误地将翻译评估为充分，即使翻译的单词与参考翻译匹配，即使文化含义丢失。在这种情况下，该指标可能会对翻译给出很高的评分，尽管它在上下文中完全不合适。这可能会导致令人尴尬或在文化上不敏感的营销内容，这是您的团队想要避免的。

您需要一种方法来评估翻译不仅准确，而且保留了预期的含义、语气和文化背景。这正是 MLflow Evaluate 和 LLM (大型语言模型) 作为裁判发挥作用的地方。这些工具可以通过考虑上下文、习语和文化相关性来更全面地评估翻译，从而提供对 AI 输出更可靠的评估。

自定义指标：根据您的需求定制评估

在下一节中，我们将实现三个指标

• "cultural_sensitivity" 指标可确保翻译保持文化背景和适当性。
• "faithfulness" 指标可检查聊天机器人响应是否准确地与公司政策和检索到的内容一致。
• "toxicity" 指标评估响应中的有害或不当内容，确保尊重客户互动。

这些指标将帮助 Worldwide WanderAgency 确保其由人工智能驱动的翻译和互动满足其特定需求。

评估 Worldwide WanderAgency 的人工智能系统

现在我们了解了 WanderAgency 的挑战，让我们深入研究代码演练来解决它们。我们将实现自定义指标来衡量人工智能性能，并构建一个仪表图可视化图表来与利益相关者共享结果。

我们将首先评估一种语言翻译模型，重点关注“cultural_sensitivity”指标，以确保它保留文化细微差别。这将有助于 WanderAgency 在全球沟通中保持高标准。

文化敏感性指标

这家旅行社希望确保他们的翻译不仅准确，而且在文化上是适当的。为了实现这一点，他们正在考虑创建一个自定义指标，使 Worldwide WanderAgency 能够量化他们的翻译在多大程度上保留了文化背景和习语。

例如，一种在一种文化中礼貌的短语在另一种文化中可能是不合适的。在英语中，在专业电子邮件中称某人为“Dear”可能被视为礼貌。然而，在西班牙语中，在专业语境中使用“Querido”可能过于私人和不合适。

我们如何系统地评估这样一个抽象的概念？传统指标将不足，因此我们需要更好的方法。在这种情况下，LLM 作为裁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：首先安装此演示工作所需的所有库。

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

我们将在此示例中使用 gpt3.5 和 gpt4，为此，让我们首先确保我们的 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

在使用 mlflow.evaluate() 函数时，您的语言模型 (LLM) 可以采用以下形式之一

1. 一个 mlflow.pyfunc.PyFuncModel() — 通常是 MLflow 模型。
2. 一个接受字符串作为输入并返回单个字符串作为输出的 Python 函数。
3. 一个 MLflow Deployments 端点 URI。
4. 如果提供的数据已被模型评分，并且您不需要指定模型，则为 model=None。

在此示例中，我们将使用 MLflow 模型。

我们将开始在 MLflow 中记录一个翻译模型。本教程将使用具有已定义系统提示的 GPT-3.5。

在生产环境中，您通常会尝试不同的提示和模型，以确定最适合您用例的配置。有关更多详细信息，请参阅 MLflow 的 提示工程 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有效。

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，输入将包括公司旨在翻译的内容。

为了演示，我们将定义一组我们希望模型翻译的常见英语表达。

# 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.",

        ]
    }
)

为了实现旅行社的目标，我们将定义自定义指标来评估翻译的质量。特别是，我们需要评估翻译在多大程度上忠实地捕捉了字面含义和文化细微差别。

默认情况下，mlflow.evaluate() 使用 openai:/gpt-4 作为评估模型。但是，您也可以选择使用 本地模型进行评估，例如封装在 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，提供一些示例来说明良好和糟糕的翻译分数。

# 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之外，让我们还为评估器使用 MLflow 的内置指标。在这种情况下，MLflow 将使用 roberta-hate-speech 模型来检测 毒性。该指标评估响应中是否存在任何有害或不当内容，以加强公司对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()

您可以像这样检索最终结果

results.tables["eval_results_table"]

	llm_inputs	输出	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!	¡Estoy feliz por la noticia!	9	0.000258	5.2	3.7	4	The translation captures the general sentiment...
1	Spill the beans.	Revela el secreto.	7	0.001017	9.2	5.2	5	The translation accurately captures the idioma...
2	Bite the bullet.	Morder la bala.	7	0.001586	0.9	3.6	2	The translation "Morder la bala" is a litera...
3	Better late than never.	Más vale tarde que nunca.	7	0.004947	0.5	0.9	5	The translation accurately captures the idioma...

Let's analyze the final metrics...

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

我们常常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。

在本例中，让我们创建一个仪表来显示最终指标。

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 的人工智能不断发展，他们增加了一个处理多种语言问题的客户服务聊天机器人。该聊天机器人使用 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，然后根据该信息生成答案。

重要的是，聊天机器人提供的答案要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“faithfulness”指标。该指标检查聊天机器人响应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”，而聊天机器人回答“我们的退货政策是灵活的，因地区而异”，则它与检索到的材料不匹配。这种不准确的响应 (忠实度差) 可能会误导客户并造成混淆。

使用 MLflow 评估 RAG - 忠实度

让我们评估一下我们的聊天机器人在坚持检索到的信息方面做得如何。这次我们不使用 MLflow 模型，而是使用自定义函数来定义忠实度指标，看看聊天机器人的回答与它检索到的数据有多一致。

# 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示例。

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 (在此情况下，它可以是任何遵循 mlflow.evaluate() 的某些输入/输出格式的函数)。

# 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

结果是与我们之前所做的类似的 कोड...

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 的生成式 AI 内置指标，使用相同的示例。

MLflow 提供了几个 内置指标，它们使用 LLM 作为裁判。尽管实现方式不同，但这些指标的使用方式相同。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() 简化了将评分上下文 (例如，我们的系统检索到的文档) 直接提供给评估的过程。此功能与 LangChain 的检索器 无缝集成，允许您将上下文作为专用列提供给评估。有关更多详细信息，请参阅 此示例。

在这种情况下，由于我们的检索到的文档已包含在最终提示中，并且我们没有为此教程利用 LangChain，因此我们将仅将 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

通过将文化敏感性分数与其他计算指标相结合，我们的旅行社可以进一步完善其模型，以确保跨所有语言交付高质量的内容。接下来，我们可以回顾并调整用于提高文化敏感性分数的提示。或者，我们可以微调一个较小的模型，以在降低成本的同时保持相同的文化敏感性水平。这些步骤将帮助我们为该机构的多样化客户群提供更优质的服务。

mlflow.evaluate() 结合 LLM 作为裁判，为细致且具有上下文意识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定制的自定义指标，数据科学家可以更深入地了解其模型的优势和劣势。

make_genai_metric() 提供的灵活性使您能够创建与您的特定用例完全匹配的评估标准。无论您是需要为 LLM 裁判提供结构化指导，还是想要完全控制提示过程，MLflow 都提供了您所需的工具。

当您探索 MLflow 评估和基于 LLM 的指标时，请记住关键在于设计周到的评估标准并向 LLM 裁判提供清晰的指示。有了这些工具，您就可以轻松地将模型评估提升到一个新的水平，确保您的语言模型不仅在传统指标上表现出色，而且还能满足现实世界应用中的细微要求。

毒性等内置指标提供了标准化的评估，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，再次运行所有执行的测试，但这次使用“gpt-4o-mini”，看看性能如何受到影响。