Bewertung der Grundlagen der RAG-Leistung

In diesem Lernprogramm wird gezeigt, wie Sie fabric zum Auswerten der RAG-Anwendungsleistung verwenden. Die Auswertung konzentriert sich auf zwei haupt-RAG-Komponenten: den Retriever (Azure AI Search) und den Antwortgenerator (ein LLM, das die Abfrage des Benutzers verwendet, den abgerufenen Kontext und eine Aufforderung zum Generieren einer Antwort). Hier sind die wichtigsten Schritte:

  1. Einrichten von Azure OpenAI- und Azure AI Search-Diensten
  2. Daten aus dem QA-Dataset der CMU von Wikipedia-Artikeln laden, um einen Benchmark zu erstellen.
  3. Führen Sie einen Rauchtest mit einer einzelnen Abfrage durch, um sicherzustellen, dass das RAG-System von Anfang bis Ende funktioniert.
  4. Definieren von deterministischen und KI-unterstützten Metriken für die Auswertung
  5. Überprüfung 1: Bewertung der Retriever-Leistung anhand der Top-N-Genauigkeit
  6. Check-in 2: Bewerten der Leistung des Antwortgenerators mithilfe von Grundheits-, Relevanz- und Ähnlichkeitsmetriken
  7. Visualisieren und Speichern von Auswertungsergebnissen in OneLake für zukünftige Referenzen und laufende Auswertungen

Voraussetzungen

Bevor Sie mit diesem Lernprogramm beginnen, schließen Sie die Schritt-für-Schritt-Anleitung zum Aufbauen der Abruf-gestützten Generierung in Fabric ab.

Sie benötigen diese Dienste, um das Notizbuch auszuführen:

Im vorherigen Lernprogramm haben Sie Daten in Ihr Lakehouse hochgeladen und einen vom RAG-System verwendeten Dokumentindex erstellt. Verwenden Sie den Index in dieser Übung, um grundlegende Techniken zu erlernen, die RAG-Leistung zu bewerten und potenzielle Probleme zu identifizieren. Wenn Sie keinen Index erstellt oder entfernt haben, folgen Sie der Schnellstartanleitung , um die Voraussetzungen abzuschließen.

Diagramm, das den Fluss einer Benutzerkonversation durch das RAG-System zeigt.

Definieren Sie Endpunkte und erforderliche Schlüssel. Importieren Sie erforderliche Bibliotheken und Funktionen. Instanziieren Sie Clients für Azure OpenAI und Azure AI Search. Definieren Sie einen Funktionswrapper mit einer Eingabeaufforderung zum Abfragen des RAG-Systems.

# Enter your Azure OpenAI service values
aoai_endpoint = "https://<your-resource-name>.openai.azure.com" # TODO: Provide the Azure OpenAI resource endpoint (replace <your-resource-name>)
aoai_key = "" # TODO: Fill in your API key from Azure OpenAI 
aoai_deployment_name_embeddings = "text-embedding-ada-002"
aoai_model_name_query = "gpt-4-32k"  
aoai_model_name_metrics = "gpt-4-32k"
aoai_api_version = "2024-02-01"

# Setup key accesses to Azure AI Search
aisearch_index_name = "" # TODO: Create a new index name: must only contain lowercase, numbers, and dashes
aisearch_api_key = "" # TODO: Fill in your API key from Azure AI Search
aisearch_endpoint = "https://.search.windows.net" # TODO: Provide the url endpoint for your created Azure AI Search 

import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning) 

import os, requests, json

from datetime import datetime, timedelta
from azure.core.credentials import AzureKeyCredential
from azure.search.documents import SearchClient

from pyspark.sql import functions as F
from pyspark.sql.functions import to_timestamp, current_timestamp, concat, col, split, explode, udf, monotonically_increasing_id, when, rand, coalesce, lit, input_file_name, regexp_extract, concat_ws, length, ceil
from pyspark.sql.types import StructType, StructField, StringType, IntegerType, TimestampType, ArrayType, FloatType
from pyspark.sql import Row
import pandas as pd
from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.models import (
    VectorizedQuery,
)
from azure.search.documents.indexes.models import (  
    SearchIndex,  
    SearchField,  
    SearchFieldDataType,  
    SimpleField,  
    SearchableField,   
    SemanticConfiguration,  
    SemanticPrioritizedFields,
    SemanticField,  
    SemanticSearch,
    VectorSearch,  
    HnswAlgorithmConfiguration,
    HnswParameters,  
    VectorSearchProfile,
    VectorSearchAlgorithmKind,
    VectorSearchAlgorithmMetric,
)

import openai 
from openai import AzureOpenAI
import uuid
import matplotlib.pyplot as plt
from synapse.ml.featurize.text import PageSplitter
import ipywidgets as widgets  
from IPython.display import display as w_display

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 6, Finished, Available, Finished)

# Configure access to OpenAI endpoint
openai.api_type = "azure"
openai.api_key = aoai_key
openai.api_base = aoai_endpoint
openai.api_version = aoai_api_version

# Create client for accessing embedding endpoint
embed_client = AzureOpenAI(
    api_version=aoai_api_version,
    azure_endpoint=aoai_endpoint,
    api_key=aoai_key,
)

# Create client for accessing chat endpoint
chat_client = AzureOpenAI(
    azure_endpoint=aoai_endpoint,
    api_key=aoai_key,
    api_version=aoai_api_version,
)

# Configure access to Azure AI Search
search_client = SearchClient(
    aisearch_endpoint,
    aisearch_index_name,
    credential=AzureKeyCredential(aisearch_api_key)
)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 7, Finished, Available, Finished)

Die folgenden Funktionen implementieren die beiden wichtigsten RAG-Komponenten : Retriever (get_context_source) und Response Generator (get_answer). Der Code ähnelt dem vorherigen Lernprogramm. Mit dem topN Parameter können Sie festlegen, wie viele relevante Ressourcen abgerufen werden sollen (in diesem Lernprogramm wird 3 verwendet, der optimale Wert kann jedoch je nach Dataset variieren):

# Implement retriever
def get_context_source(question, topN=3):
    """
    Retrieves contextual information and sources related to a given question using embeddings and a vector search.  
    Parameters:  
    question (str): The question for which the context and sources are to be retrieved.  
    topN (int, optional): The number of top results to retrieve. Default is 3.  
      
    Returns:  
    List: A list containing two elements:  
        1. A string with the concatenated retrieved context.  
        2. A list of retrieved source paths.  
    """
    embed_client = openai.AzureOpenAI(
        api_version=aoai_api_version,
        azure_endpoint=aoai_endpoint,
        api_key=aoai_key,
    )

    query_embedding = embed_client.embeddings.create(input=question, model=aoai_deployment_name_embeddings).data[0].embedding

    vector_query = VectorizedQuery(vector=query_embedding, k_nearest_neighbors=topN, fields="Embedding")

    results = search_client.search(   
        vector_queries=[vector_query],
        top=topN,
    )

    retrieved_context = ""
    retrieved_sources = []
    for result in results:
        retrieved_context += result['ExtractedPath'] + "\n" + result['Chunk'] + "\n\n"
        retrieved_sources.append(result['ExtractedPath'])

    return [retrieved_context, retrieved_sources]

# Implement response generator
def get_answer(question, context):
    """  
    Generates a response to a given question using provided context and an Azure OpenAI model.  
    
    Parameters:  
        question (str): The question that needs to be answered.  
        context (str): The contextual information related to the question that will help generate a relevant response.  
    
    Returns:  
        str: The response generated by the Azure OpenAI model based on the provided question and context.  
    """
    messages = [
        {
            "role": "system",
            "content": "You are a chat assistant. Use provided text to ground your response. Give a one-word answer when possible ('yes'/'no' is OK where appropriate, no details). Unnecessary words incur a $500 penalty."
        }
    ]

    messages.append(
        {
            "role": "user", 
            "content": question + "\n" + context,
        },
    )

    chat_client = openai.AzureOpenAI(
        azure_endpoint=aoai_endpoint,
        api_key=aoai_key,
        api_version=aoai_api_version,
    )

    chat_completion = chat_client.chat.completions.create(
        model=aoai_model_name_query,
        messages=messages,
    )

    return chat_completion.choices[0].message.content

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 8, Finished, Available, Finished)

Dataset

Version 1.2 des Carnegie Mellon University "Question-Answer Dataset" ist ein Korpus von Wikipedia-Artikeln mit faktischen Fragen und manuell geschriebenen Antworten. Sie wird in Azure Blob Storage unter der GFDL gehostet. Das Dataset verwendet eine Tabelle mit diesen Feldern:

  • ArticleTitle: Name des Wikipedia-Artikels die Fragen und Antworten stammen von
  • Question: Manuell geschriebene Frage zum Artikel
  • Answer: Manuell geschriebene Antwort basierend auf dem Artikel
  • DifficultyFromQuestioner: Schwierigkeitsbewertung, die der Autor der Frage zuweist
  • DifficultyFromAnswerer: Die Schwierigkeitsbewertung, die der Bewerter zuweist; kann sich von DifficultyFromQuestioner unterscheiden
  • ExtractedPath: Pfad zum ursprünglichen Artikel (ein Artikel kann mehrere Frage-Antwort-Paare enthalten)
  • text: Bereinigter Wikipedia-Artikeltext

Laden Sie die dateien LICENSE-S08 und LICENSE-S09 aus demselben Speicherort herunter, um Lizenzdetails anzuzeigen.

Geschichte und Zitat

Verwenden Sie dieses Zitat für das Dataset:

CMU Question/Answer Dataset, Release 1.2
August 23, 2013
Noah A. Smith, Michael Heilman, and Rebecca Hwa
Question Generation as a Competitive Undergraduate Course Project
In Proceedings of the NSF Workshop on the Question Generation Shared Task and Evaluation Challenge, Arlington, VA, September 2008. 
Available at http://www.cs.cmu.edu/~nasmith/papers/smith+heilman+hwa.nsf08.pdf.
Original dataset acknowledgments:
This research project was supported by NSF IIS-0713265 (to Smith), an NSF Graduate Research Fellowship (to Heilman), NSF IIS-0712810 and IIS-0745914 (to Hwa), and Institute of Education Sciences, U.S. Department of Education R305B040063 (to Carnegie Mellon).
cmu-qa-08-09 (modified version)
June 12, 2024
Amir Jafari, Alexandra Savelieva, Brice Chung, Hossein Khadivi Heris, Journey McDowell
This release uses the GNU Free Documentation License (GFDL) (http://www.gnu.org/licenses/fdl.html).
The GNU license applies to all copies of the dataset.

Benchmark erstellen

Importieren Sie den Benchmark. Verwenden Sie für diese Demo eine Teilmenge von Fragen aus den S08/set1 und S08/set2 Buckets. Um eine Frage pro Artikel beizubehalten, wenden Sie an df.dropDuplicates(["ExtractedPath"]). Doppelte Fragen ablegen. Der Auswahlprozess fügt Schwierigkeitsbezeichnungen hinzu; in diesem Beispiel werden sie auf medium beschränkt.

df = spark.sql("SELECT * FROM data_load_tests.cmu_qa")

# Filter the DataFrame to include the specified paths
df = df.filter((col("ExtractedPath").like("S08/data/set1/%")) | (col("ExtractedPath").like("S08/data/set2/%")))

# Keep only medium-difficulty questions.
df = df.filter(col("DifficultyFromQuestioner") == "medium")


# Drop duplicate questions and source paths.
df = df.dropDuplicates(["Question"])
df = df.dropDuplicates(["ExtractedPath"])

num_rows = df.count()
num_columns = len(df.columns)
print(f"Number of rows: {num_rows}, Number of columns: {num_columns}")

# Persist the DataFrame
df.persist()
display(df)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 9, Finished, Available, Finished)Number of rows: 20, Number of columns: 7SynapseWidget(Synapse.DataFrame, 47aff8cb-72f8-4a36-885c-f4f3bb830a91)

Das Ergebnis ist ein DataFrame mit 20 Zeilen – dem Demo-Benchmark. Schlüsselfelder sind Question, Answer (vom Menschen kuratierte Wahrheitsantwort) und ExtractedPath (das Quelldokument). Passen Sie die Filter so an, dass sie andere Fragen enthalten, und variieren Sie die Schwierigkeit für ein realistischeres Beispiel. Versuch es.

Ausführen eines einfachen End-to-End-Tests

Beginnen Sie mit einem End-to-End-Smoke-Test der abrufergänzten Generierung (RAG).

question = "How many suborders are turtles divided into?"
retrieved_context, retrieved_sources = get_context_source(question)
answer = get_answer(question, retrieved_context)
print(answer)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 10, Finished, Available, Finished)Three

Dieser Smoke-Test hilft Ihnen, Probleme in der RAG-Implementierung zu identifizieren, wie z. B. fehlerhafte Zugangsdaten, fehlende oder leere Vektorindizes oder inkompatible Funktionsschnittstellen. Wenn der Test fehlschlägt, überprüfen Sie auf Probleme. Erwartete Ausgabe: Three. Wenn der Rauchtest bestanden wurde, fahren Sie mit dem nächsten Abschnitt fort, um die RAG weiter zu evaluieren.

Einrichten von Metriken

Definieren Sie eine deterministische Metrik, um den Retriever auszuwerten. Es ist inspiriert von Suchmaschinen. Es überprüft, ob die Liste der abgerufenen Quellen die Grund-Wahrheitsquelle enthält. Diese Metrik ist eine Top-N-Genauigkeitsbewertung, da der topN Parameter die Anzahl der abgerufenen Quellen festlegt.

def get_retrieval_score(target_source, retrieved_sources):
    if target_source in retrieved_sources: 
        return 1
    else: 
        return 0

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 11, Finished, Available, Finished)

Gemäß dem Benchmark ist die Antwort in der Quelle mit ID "S08/data/set1/a9"enthalten. Das Testen der Funktion im obigen Beispiel liefert wie erwartet 1, da sie sich unter den drei relevantesten Textblöcken befand.

print("Retrieved sources:", retrieved_sources)
get_retrieval_score("S08/data/set1/a9", retrieved_sources)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 12, Finished, Available, Finished)Retrieved sources: ['S08/data/set1/a9', 'S08/data/set1/a9', 'S08/data/set1/a5']1

In diesem Abschnitt werden KI-unterstützte Metriken definiert. Die Vorlage für Eingabeaufforderungen enthält einige Beispiele für Eingaben (CONTEXT und ANSWER) und vorgeschlagene Ausgaben – auch bekannt als Few-Shot-Modell. Es ist die gleiche Eingabeaufforderung, die in Azure AI Studio verwendet wird. Weitere Informationen finden Sie in integrierten Auswertungsmetriken. Diese Demo verwendet die groundedness und relevance Metriken – sie sind in der Regel die nützlichsten und zuverlässigsten für die Bewertung von GPT-Modellen. Andere Metriken können nützlich sein, bieten aber weniger Intuition – beispielsweise müssen Antworten nicht ähnlich sein, um richtig zu sein, sodass similarity Die Ergebnisse irreführend sein können. Die Skalierung für alle Metriken beträgt 1 bis 5. Höher ist besser. Geerdetheit benötigt nur zwei Eingaben (Kontext und generierte Antwort), während die anderen beiden Metriken auch die Grundwahrheit für die Auswertung verwenden.

def get_groundedness_metric(context, answer):
    """Get the groundedness score from the LLM using the context and answer."""

    groundedness_prompt_template = """
    You are presented with a CONTEXT and an ANSWER about that CONTEXT. Decide whether the ANSWER is entailed by the CONTEXT by choosing one of the following ratings:
    1. 5: The ANSWER follows logically from the information contained in the CONTEXT.
    2. 1: The ANSWER is logically false from the information contained in the CONTEXT.
    3. an integer score between 1 and 5 and if such integer score does not exist, use 1: It is not possible to determine whether the ANSWER is true or false without further information. Read the passage of information thoroughly and select the correct answer from the three answer labels. Read the CONTEXT thoroughly to ensure you know what the CONTEXT entails. Note the ANSWER is generated by a computer system, it can contain certain symbols, which should not be a negative factor in the evaluation.
    Independent Examples:
    ## Example Task #1 Input:
    "CONTEXT": "Some are reported as not having been wanted at all.", "QUESTION": "", "ANSWER": "All are reported as being completely and fully wanted."
    ## Example Task #1 Output:
    1
    ## Example Task #2 Input:
    "CONTEXT": "Ten new television shows appeared during the month of September. Five of the shows were sitcoms, three were hourlong dramas, and two were news-magazine shows. By January, only seven of these new shows were still on the air. Five of the shows that remained were sitcoms.", "QUESTION": "", "ANSWER": "At least one of the shows that were cancelled was an hourlong drama."
    ## Example Task #2 Output:
    5
    ## Example Task #3 Input:
    "CONTEXT": "In Quebec, an allophone is a resident, usually an immigrant, whose mother tongue or home language is neither French nor English.", "QUESTION": "", "ANSWER": "In Quebec, an allophone is a resident, usually an immigrant, whose mother tongue or home language is not French."
    5
    ## Example Task #4 Input:
    "CONTEXT": "Some are reported as not having been wanted at all.", "QUESTION": "", "ANSWER": "All are reported as being completely and fully wanted."
    ## Example Task #4 Output:
    1
    ## Actual Task Input:
    "CONTEXT": {context}, "QUESTION": "", "ANSWER": {answer}
    Reminder: The return values for each task should be correctly formatted as an integer between 1 and 5. Do not repeat the context and question.  Don't explain the reasoning. The answer should include only a number: 1, 2, 3, 4, or 5.
    Actual Task Output:
    """

    metric_client = openai.AzureOpenAI(
        api_version=aoai_api_version,
        azure_endpoint=aoai_endpoint,
        api_key=aoai_key,
    )

    messages = [
        {
            "role": "system",
            "content": "You are an AI assistant. You will be given the definition of an evaluation metric for assessing the quality of an answer in a question-answering task. Your job is to compute an accurate evaluation score using the provided evaluation metric."
        }, 
        {
            "role": "user",
            "content": groundedness_prompt_template.format(context=context, answer=answer)
        }
    ]

    metric_completion = metric_client.chat.completions.create(
        model=aoai_model_name_metrics,
        messages=messages,
        temperature=0,
    )

    return metric_completion.choices[0].message.content

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 13, Finished, Available, Finished)

def get_relevance_metric(context, question, answer):    
    relevance_prompt_template = """
    Relevance measures how well the answer addresses the main aspects of the question, based on the context. Consider whether all and only the important aspects are contained in the answer when evaluating relevance. Given the context and question, score the relevance of the answer between one to five stars using the following rating scale:
    One star: the answer completely lacks relevance
    Two stars: the answer mostly lacks relevance
    Three stars: the answer is partially relevant
    Four stars: the answer is mostly relevant
    Five stars: the answer has perfect relevance

    This rating value should always be an integer between 1 and 5. So the rating produced should be 1 or 2 or 3 or 4 or 5.

    context: Marie Curie was a Polish-born physicist and chemist who pioneered research on radioactivity and was the first woman to win a Nobel Prize.
    question: What field did Marie Curie excel in?
    answer: Marie Curie was a renowned painter who focused mainly on impressionist styles and techniques.
    stars: 1

    context: The Beatles were an English rock band formed in Liverpool in 1960, and they are widely regarded as the most influential music band in history.
    question: Where were The Beatles formed?
    answer: The band The Beatles began their journey in London, England, and they changed the history of music.
    stars: 2

    context: The recent Mars rover, Perseverance, was launched in 2020 with the main goal of searching for signs of ancient life on Mars. The rover also carries an experiment called MOXIE, which aims to generate oxygen from the Martian atmosphere.
    question: What are the main goals of Perseverance Mars rover mission?
    answer: The Perseverance Mars rover mission focuses on searching for signs of ancient life on Mars.
    stars: 3

    context: The Mediterranean diet is a commonly recommended dietary plan that emphasizes fruits, vegetables, whole grains, legumes, lean proteins, and healthy fats. Studies have shown that it offers numerous health benefits, including a reduced risk of heart disease and improved cognitive health.
    question: What are the main components of the Mediterranean diet?
    answer: The Mediterranean diet primarily consists of fruits, vegetables, whole grains, and legumes.
    stars: 4

    context: The Queen's Royal Castle is a well-known tourist attraction in the United Kingdom. It spans over 500 acres and contains extensive gardens and parks. The castle was built in the 15th century and has been home to generations of royalty.
    question: What are the main attractions of the Queen's Royal Castle?
    answer: The main attractions of the Queen's Royal Castle are its expansive 500-acre grounds, extensive gardens, parks, and the historical castle itself, which dates back to the 15th century and has housed generations of royalty.
    stars: 5

    Don't explain the reasoning. The answer should include only a number: 1, 2, 3, 4, or 5.

    context: {context}
    question: {question}
    answer: {answer}
    stars:
    """

    metric_client = openai.AzureOpenAI(
        api_version=aoai_api_version,
        azure_endpoint=aoai_endpoint,
        api_key=aoai_key,
    )


    messages = [
        {
            "role": "system",
            "content": "You are an AI assistant. You are given the definition of an evaluation metric for assessing the quality of an answer in a question-answering task. Compute an accurate evaluation score using the provided evaluation metric."
        }, 
        {
            "role": "user",
            "content": relevance_prompt_template.format(context=context, question=question, answer=answer)
        }
    ]

    metric_completion = metric_client.chat.completions.create(
        model=aoai_model_name_metrics,
        messages=messages,
        temperature=0,
    )

    return metric_completion.choices[0].message.content

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 14, Finished, Available, Finished)

def get_similarity_metric(question, ground_truth, answer):
    similarity_prompt_template = """
    Equivalence, as a metric, measures the similarity between the predicted answer and the correct answer. If the information and content in the predicted answer is similar or equivalent to the correct answer, then the value of the Equivalence metric should be high, else it should be low. Given the question, correct answer, and predicted answer, determine the value of Equivalence metric using the following rating scale:
    One star: the predicted answer is not at all similar to the correct answer
    Two stars: the predicted answer is mostly not similar to the correct answer
    Three stars: the predicted answer is somewhat similar to the correct answer
    Four stars: the predicted answer is mostly similar to the correct answer
    Five stars: the predicted answer is completely similar to the correct answer

    This rating value should always be an integer between 1 and 5. So the rating produced should be 1 or 2 or 3 or 4 or 5.

    The examples below show the Equivalence score for a question, a correct answer, and a predicted answer.

    question: What is the role of ribosomes?
    correct answer: Ribosomes are cellular structures responsible for protein synthesis. They interpret the genetic information carried by messenger RNA (mRNA) and use it to assemble amino acids into proteins.
    predicted answer: Ribosomes participate in carbohydrate breakdown by removing nutrients from complex sugar molecules.
    stars: 1

    question: Why did the Titanic sink?
    correct answer: The Titanic sank after it struck an iceberg during its maiden voyage in 1912. The impact caused the ship's hull to breach, allowing water to flood into the vessel. The ship's design, lifeboat shortage, and lack of timely rescue efforts contributed to the tragic loss of life.
    predicted answer: The sinking of the Titanic was a result of a large iceberg collision. This caused the ship to take on water and eventually sink, leading to the death of many passengers due to a shortage of lifeboats and insufficient rescue attempts.
    stars: 2

    question: What causes seasons on Earth?
    correct answer: Seasons on Earth are caused by the tilt of the Earth's axis and its revolution around the Sun. As the Earth orbits the Sun, the tilt causes different parts of the planet to receive varying amounts of sunlight, resulting in changes in temperature and weather patterns.
    predicted answer: Seasons occur because of the Earth's rotation and its elliptical orbit around the Sun. The tilt of the Earth's axis causes regions to be subjected to different sunlight intensities, which leads to temperature fluctuations and alternating weather conditions.
    stars: 3

    question: How does photosynthesis work?
    correct answer: Photosynthesis is a process by which green plants and some other organisms convert light energy into chemical energy. This occurs as light is absorbed by chlorophyll molecules, and then carbon dioxide and water are converted into glucose and oxygen through a series of reactions.
    predicted answer: In photosynthesis, sunlight is transformed into nutrients by plants and certain microorganisms. Light is captured by chlorophyll molecules, followed by the conversion of carbon dioxide and water into sugar and oxygen through multiple reactions.
    stars: 4

    question: What are the health benefits of regular exercise?
    correct answer: Regular exercise can help maintain a healthy weight, increase muscle and bone strength, and reduce the risk of chronic diseases. It also promotes mental well-being by reducing stress and improving overall mood.
    predicted answer: Routine physical activity can contribute to maintaining ideal body weight, enhancing muscle and bone strength, and preventing chronic illnesses. In addition, it supports mental health by alleviating stress and augmenting general mood.
    stars: 5

    Don't explain the reasoning. The answer should include only a number: 1, 2, 3, 4, or 5.

    question: {question}
    correct answer:{ground_truth}
    predicted answer: {answer}
    stars:
    """
    
    metric_client = openai.AzureOpenAI(
        api_version=aoai_api_version,
        azure_endpoint=aoai_endpoint,
        api_key=aoai_key,
    )

    messages = [
        {
            "role": "system",
            "content": "You are an AI assistant. You will be given the definition of an evaluation metric for assessing the quality of an answer in a question-answering task. Your job is to compute an accurate evaluation score using the provided evaluation metric."
        }, 
        {
            "role": "user",
            "content": similarity_prompt_template.format(question=question, ground_truth=ground_truth, answer=answer)
        }
    ]

    metric_completion = metric_client.chat.completions.create(
        model=aoai_model_name_metrics,
        messages=messages,
        temperature=0,
    )

    return metric_completion.choices[0].message.content

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 15, Finished, Available, Finished)

Testen Sie die Relevanzmetrik:

get_relevance_metric(retrieved_context, question, answer)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 16, Finished, Available, Finished)'2'

Eine Bewertung von 5 bedeutet, dass die Antwort relevant ist. Der folgende Code ruft die Ähnlichkeitsmetrik ab:

get_similarity_metric(question, 'three', answer)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 17, Finished, Available, Finished)'5'

Eine Bewertung von 5 bedeutet, dass die Antwort mit der Ground-Truth übereinstimmt, die von einem menschlichen Experten kuratiert wurde. KI-unterstützte Metrik-Ergebnisse können mit derselben Eingabe schwanken. Sie sind schneller als menschliche Richter.

Bewertung der RAG-Leistung bei Benchmark-Q&A-Sitzungen

Erstellen Sie Funktionswrapper, die skaliert ausgeführt werden sollen. Umschließen Sie jede Funktion, die mit _udf (kurz für user-defined function) endet, damit sie Spark-Anforderungen (@udf(returnType=StructType([ ... ]))) entspricht, und führen Sie Berechnungen für große Daten schneller im gesamten Cluster aus.

# UDF wrappers for RAG components
@udf(returnType=StructType([  
    StructField("retrieved_context", StringType(), True),  
    StructField("retrieved_sources", ArrayType(StringType()), True)  
]))
def get_context_source_udf(question, topN=3):
    return get_context_source(question, topN)

@udf(returnType=StringType())
def get_answer_udf(question, context):
    return get_answer(question, context)


# UDF wrapper for retrieval score
@udf(returnType=StringType())
def get_retrieval_score_udf(target_source, retrieved_sources):
    return get_retrieval_score(target_source, retrieved_sources)


# UDF wrappers for AI-assisted metrics
@udf(returnType=StringType())
def get_groundedness_metric_udf(context, answer):
    return get_groundedness_metric(context, answer)

@udf(returnType=StringType())
def get_relevance_metric_udf(context, question, answer): 
    return get_relevance_metric(context, question, answer)

@udf(returnType=StringType())
def get_similarity_metric_udf(question, ground_truth, answer):
    return get_similarity_metric(question, ground_truth, answer)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 18, Finished, Available, Finished)

Einchecken Nr. 1: Leistung des Retrievers

Der folgende Code erstellt die result und retrieval_score spalten im Benchmark DataFrame. Zu diesen Spalten gehören die von RAG generierte Antwort und ein Indikator dafür, ob der kontextbezogene Kontext des LLM den Artikel enthält, auf dem die Frage basiert.

df = df.withColumn("result", get_context_source_udf(df.Question)).select(df.columns+["result.*"])
df = df.withColumn('retrieval_score', get_retrieval_score_udf(df.ExtractedPath, df.retrieved_sources))
print("Aggregate Retrieval score: {:.2f}%".format((df.where(df["retrieval_score"] == 1).count() / df.count()) * 100))
display(df.select(["question", "retrieval_score",  "ExtractedPath", "retrieved_sources"]))

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 19, Finished, Available, Finished)Aggregate Retrieval score: 100.00%SynapseWidget(Synapse.DataFrame, 14efe386-836a-4765-bd88-b121f32c7cfc)

Bei allen Fragen ruft der Retriever den richtigen Kontext ab, und in den meisten Fällen ist er der erste Eintrag. Azure AI Search funktioniert gut. Vielleicht fragen Sie sich, warum der Kontext in einigen Fällen zwei oder drei identische Werte aufweist. Das ist kein Fehler - das bedeutet, dass der Retriever Fragmente desselben Artikels abruft, die während der Aufteilung nicht in einen Block passen.

Überprüfung 2: Leistungsbewertung des Antwortgenerators

Übergeben Sie die Frage und den Kontext an das LLM, um eine Antwort zu generieren. Speichern Sie sie in der generated_answer Spalte im DataFrame:

df = df.withColumn('generated_answer', get_answer_udf(df.Question, df.retrieved_context))

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 20, Finished, Available, Finished)

Verwenden Sie die generierte Antwort, die Referenzantwort, die Frage und den Kontext, um Metriken zu berechnen. Anzeigen von Auswertungsergebnissen für jedes Frage-Antwort-Paar:

df = df.withColumn('gpt_groundedness', get_groundedness_metric_udf(df.retrieved_context, df.generated_answer))
df = df.withColumn('gpt_relevance', get_relevance_metric_udf(df.retrieved_context, df.Question, df.generated_answer))
df = df.withColumn('gpt_similarity', get_similarity_metric_udf(df.Question, df.Answer, df.generated_answer))
display(df.select(["question", "answer", "generated_answer", "retrieval_score", "gpt_groundedness","gpt_relevance", "gpt_similarity"]))

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 21, Finished, Available, Finished)SynapseWidget(Synapse.DataFrame, 22b97d27-91e1-40f3-b888-3a3399de9d6b)

Was zeigen diese Werte? Um sie leichter zu interpretieren, zeichnen Sie Histogramme von Verankerung, Relevanz und Ähnlichkeit. Das LLM ist ausführlicher als menschliche Referenzantworten, was die Ähnlichkeitsmetrik senkt. Etwa die Hälfte der gegebenen Antworten sind semantisch korrekt, werden aber als größtenteils ähnlich betrachtet und erhalten daher vier Sterne. Die meisten Werte für alle drei Metriken sind 4 oder 5, was darauf hindeutet, dass die RAG-Leistung gut ist. Es gibt ein paar Ausreißer - zum Beispiel bei der Frage How many species of otter are there? wurde das Modell There are 13 species of otter erzeugt, das mit hoher Relevanz und Ähnlichkeit (5) korrekt ist. Aus irgendeinem Grund hielt GPT den Inhalt im bereitgestellten Kontext für schlecht fundiert und vergab ihm einen Stern. In den anderen drei Fällen mit mindestens einem KI-unterstützten Metrik mit einem Stern weist die niedrige Punktzahl auf eine schlechte Antwort hin. Das LLM bewertet gelegentlich falsch, erzielt jedoch normalerweise genaue Ergebnisse.

# Convert Spark DataFrame to Pandas DataFrame
pandas_df = df.toPandas()

selected_columns = ['gpt_groundedness', 'gpt_relevance', 'gpt_similarity']
trimmed_df = pandas_df[selected_columns].astype(int)

# Define a function to plot histograms for the specified columns
def plot_histograms(dataframe, columns):
    # Set up the figure size and subplots
    plt.figure(figsize=(15, 5))
    for i, column in enumerate(columns, 1):
        plt.subplot(1, len(columns), i)
        # Filter the dataframe to only include rows with values 1, 2, 3, 4, 5
        filtered_df = dataframe[dataframe[column].isin([1, 2, 3, 4, 5])]
        filtered_df[column].hist(bins=range(1, 7), align='left', rwidth=0.8)
        plt.title(f'Histogram of {column}')
        plt.xlabel('Values')
        plt.ylabel('Frequency')
        plt.xticks(range(1, 6))
        plt.yticks(range(0, 20, 2))


# Call the function to plot histograms for the specified columns
plot_histograms(trimmed_df, selected_columns)

# Show the plots
plt.tight_layout()
plt.show()

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 24, Finished, Available, Finished)

Screenshot von Histogrammen, die die Verteilung der GPT-Relevanz- und Ähnlichkeitsbewertungen für die bewerteten Fragen zeigen.

Speichern Sie als letzten Schritt die Benchmark-Ergebnisse auf einer Tabelle in Ihrem Seehaus. Dieser Schritt ist optional, aber dringend empfohlen - es macht Ihre Ergebnisse nützlicher. Wenn Sie etwas in der RAG ändern (z. B. die Eingabeaufforderung ändern, den Index aktualisieren oder ein anderes GPT-Modell im Antwortgenerator verwenden), messen Sie die Auswirkungen, quantifizieren Sie die Verbesserungen und erkennen Sie mögliche Regressionen.

# create name of experiment that is easy to refer to
friendly_name_of_experiment = "rag_tutorial_experiment_1"

# Note the current date and time  
time_of_experiment = current_timestamp()

# Generate a unique GUID for all rows
experiment_id = str(uuid.uuid4())

# Add two new columns to the Spark DataFrame
updated_df = df.withColumn("execution_time", time_of_experiment) \
                        .withColumn("experiment_id", lit(experiment_id)) \
                        .withColumn("experiment_friendly_name", lit(friendly_name_of_experiment))

# Store the updated DataFrame in the default lakehouse as a table named 'rag_experiment_runs'
table_name = "rag_experiment_run_demo1" 
updated_df.write.format("parquet").mode("append").saveAsTable(table_name)

Zellenausgabe:StatementMeta(, 21cb8cd3-7742-4c1f-8339-265e2846df1d, 28, Finished, Available, Finished)

Kehren Sie jederzeit zu den Experimentergebnissen zurück, um sie zu überprüfen, mit neuen Experimenten zu vergleichen und die Konfiguration auszuwählen, die für die Produktion am besten geeignet ist.

Zusammenfassung

Verwenden Sie KI-unterstützte Metriken und die top-N-Abrufrate, um Ihre RAG-Lösung (Retrieval Augmented Generation) zu erstellen.

  • Last updated on