LLM 作为评判者

在这篇博文中，我们将踏上一次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 (LLM) 作为评判者的能力。最后，您将学习如何创建自定义指标、实施基于 LLM 的评估，并将这些技术应用于实际场景。准备好改变您的模型评估过程，并更深入地了解您的 AI 性能！

评估语言模型的挑战

评估大型语言模型 (LLM) 和自然语言处理 (NLP) 系统存在多项挑战，主要原因在于它们的复杂性以及它们可以执行的任务的多样性。

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

LLM 作为评判者可以利用其大量的训练数据提供更细致的评估，从而解决这些问题，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，而且上下文恰当且引人入胜，这是更静态的指标可能遗漏的。

然而，为了有效前进，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公平且可复现至关重要。统一的测试和评估框架将使研究人员能够相互借鉴，从而实现更一致的进展和更强大的模型开发。

介绍 MLflow LLM Evaluate

MLflow LLM Evaluate 是 MLflow 生态系统中的一个强大功能，它通过提供标准化实验设置来全面评估模型。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。MLflow LLM Evaluate 允许您：

• 同时评估模型对多个指标的表现
• 使用预定义指标评估特定模型类型（例如，问答、文本摘要和纯文本）
• 创建自定义指标，包括使用 LLM 作为评判者的指标，使用 mlflow.metrics.genai.make_genai_metric() 和 mlflow.metrics.genai.make_genai_metric_from_prompt()

以 LLM 作为评判者征服新市场

想象一下，您是全球旅行社“WorldWide Wandercorp”的一员，正在将业务扩展到西班牙语国家。

您的团队开发了一个 AI 驱动的翻译系统，以帮助创建符合文化习俗的营销材料和客户沟通。然而，当您开始使用此系统时，您意识到传统的评估指标，例如 BLEU（双语评估替身），在捕捉语言翻译的细微差别方面存在不足，尤其是在保留文化语境和习语表达方面。

例如，考虑短语“kick the bucket”。直接翻译可能侧重于字面意思，但这个习语实际上意味着“死亡”。如果翻译的单词与参考翻译匹配，即使文化意义丢失，像 BLEU 这样的传统指标也可能错误地将翻译评估为合格。在这种情况下，尽管翻译在上下文中完全不合适，但该指标可能会给翻译打高分。这可能导致令人尴尬或文化不敏感的营销内容，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，而且保留了预期含义、语气和文化语境。这就是 MLflow Evaluate 和 LLM（大型语言模型）作为评判者发挥作用的地方。这些工具可以通过考虑语境、习语表达和文化相关性来更全面地评估翻译，从而为 AI 的输出提供更可靠的评估。

自定义指标：根据您的需求量身定制评估

在下一节中，我们将实施三个指标

• “文化敏感度”指标确保翻译保持文化语境和恰当性。
• “忠实度”指标检查聊天机器人回复是否准确符合公司政策和检索到的内容。
• “毒性”指标评估回复是否存在有害或不当内容，确保尊重的客户互动。

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，接下来我们将通过代码演练来解决这些问题。我们将实施自定义指标来衡量 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。

我们将首先评估一个语言翻译模型，重点关注“文化敏感度”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。

文化敏感度指标

该旅行社希望确保其翻译不仅准确，而且符合文化习俗。为了实现这一目标，他们正在考虑创建一个自定义指标，使 Worldwide WanderAgency 能够量化其翻译在多大程度上保持文化语境和习语表达。

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，在专业电子邮件中使用“Dear”可能被认为是礼貌的。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恰当。

我们如何系统地评估这样一个抽象概念？传统指标将无法满足要求，因此我们需要更好的方法。在这种情况下，LLM 作为评判者将非常适合！对于此用例，让我们创建一个“文化敏感度”指标。

以下是该过程的简要概述：首先安装此演示所需的所有库。

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

在本例中，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

当使用 mlflow.evaluate() 函数时，您的大型语言模型 (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. model=None 如果您提供的数据已经由模型评分，并且您不需要指定模型。

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 并带有定义的系统提示。

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}"},
    ],
)

让我们测试一下模型，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()，我们首先需要准备将作为 LLM 输入的示例数据。在这种情况下，输入将包含公司旨在翻译的内容。

出于演示目的，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质量。特别是，我们需要评估翻译在多大程度上不仅忠实地捕捉了字面意思，还捕捉了文化细微差别。

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，提供一些示例来说明好的和差的翻译分数。

# 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，我们还将使用 MLflow 的内置指标进行评估。在这种情况下，MLflow 将使用 roberta-hate-speech 模型来检测毒性。此指标评估回复是否存在任何有害或不当内容，从而强化了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	我为这个消息感到非常高兴！	¡Estoy feliz por la noticia!	9	0.000258	5.2	3.7	4	翻译捕捉了大致的情绪……
1	揭秘。	Revela el secreto.	7	0.001017	9.2	5.2	5	翻译准确地捕捉了习语……
2	硬着头皮。	Morder la bala。	7	0.001586	0.9	3.6	2	翻译“Morder la bala”是字面意思……
3	迟到总比不到好。	Más vale tarde que nunca。	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

我们通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。

在这个例子中，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 AI 发展，他们增加了一个多语言客户服务聊天机器人，用于处理多语言问题。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忠实于它检索到的信息。为了确保这一点，我们创建了一个“忠实度”指标。该指标检查聊天机器人的回复与它所基于的材料的匹配程度，确保提供给客户的信息准确无误。

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“我们的退货政策灵活，因地区而异”，那么它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与检索到的信息保持一致的程度。这次，我们将不再使用 MLflow 模型，而是使用自定义函数来定义忠实度指标，并查看聊天机器人的答案与它从哪里获取数据的一致性如何。

# 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 LLM 函数（在这种情况下，它可以是任何遵循 mlflow.evaluate() 的特定输入/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

结果代码类似于我们之前所做的……

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，使用相同的示例。

MLflow 提供了几个内置指标，它们使用 LLM 作为评判者。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() 简化了提供评分上下文的过程，例如我们系统检索到的文档，直接将其纳入评估。此功能与 LangChain 的检索器无缝集成，允许您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，由于我们的检索到的文档已经包含在最终提示中，并且我们不利用 LangChain 进行本教程，因此我们只需将 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()

评估结束后，我们得到以下结果：

结论

通过将文化敏感度得分与我们计算出的其他指标相结合，我们的旅行社可以进一步完善其模型，以确保在所有语言中提供高质量的内容。未来，我们可以重新审视并调整用于提高文化敏感度得分的提示。或者，我们可以微调一个较小的模型，以保持相同的高水平文化敏感度，同时降低成本。这些步骤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 LLM 作为评判者，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量身定制的自定义指标，数据科学家可以更深入地了解模型的优点和缺点。

make_genai_metric() 提供的灵活性允许您创建完全适合您特定用例的评估标准。无论您是需要为您的 LLM 评判者提供结构化指导，还是希望完全控制提示过程，MLflow 都提供了您所需的工具。

在您探索 MLflow 评估和基于 LLM 的指标时，请记住关键在于设计周密的评估标准并向您的 LLM 评判者提供清晰的指示。有了这些工具，您就能很好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良好，而且还能满足实际应用的细微需求。

内置指标，例如毒性，提供了标准化评估，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，重新运行所有已执行的测试，但这次使用“gpt-4o-mini”，看看性能如何受到影响。