Megosztás a következőn keresztül:

A RAG-teljesítmény alapjainak kiértékelése

Ez az oktatóanyag bemutatja, hogyan használható a Fabric a RAG-alkalmazások teljesítményének értékelésére. Az értékelés két fő RAG-összetevőre összpontosít: a lekérőre (Azure AI Search) és a válaszgenerátorra (a felhasználó lekérdezését használó LLM-re, a lekért környezetre és egy válasz létrehozására szolgáló kérdésre). A fő lépések a következők:

  1. Az Azure OpenAI és az Azure AI Search szolgáltatások beállítása
  2. Adatok betöltése a CMU Wikipédiából származó minőségbiztosítási adatkészletéből egy teljesítménymutató létrehozásához
  3. Füstteszt futtatása egyetlen lekérdezéssel annak ellenőrzéséhez, hogy a RAG-rendszer működik-e a végéig
  4. Determinisztikus és AI-támogatású metrikák meghatározása kiértékeléshez
  5. 1. bejelentkezés: A lekérdező teljesítményének kiértékelése top-N pontosság használatával
  6. 2. értékelési lépés: A válaszgenerátor teljesítményének kiértékelése megalapozottság, relevancia és hasonlósági metrikák használatával
  7. A kiértékelési eredmények megjelenítése és tárolása a OneLake-ben a jövőbeli referencia és a folyamatos értékelés érdekében

Előfeltételek

Mielőtt elkezdené ezt az oktatóanyagot, végezze el a Szövetben történő Visszakeresés Által Támogatott Generálás létrehozása részletes útmutatót.

A jegyzetfüzet futtatásához a következő szolgáltatásokra van szüksége:

Az előző oktatóanyagban adatokat töltött fel a lakehouse-ba, és létrehozott egy, a RAG rendszer által használt dokumentumindexet. Ebben a gyakorlatban az index használatával elsajátíthatja az alapvető technikákat a RAG teljesítményének kiértékeléséhez és a lehetséges problémák azonosításához. Ha nem hoz létre vagy távolított el indexet, kövesse a rövid útmutatót az előfeltétel teljesítéséhez.

Egy felhasználói beszélgetés ragrendszeren keresztüli folyamatát bemutató diagram.

Végpontok és szükséges kulcsok definiálása. Importálja a szükséges kódtárakat és függvényeket. Kliens instanciálása az Azure OpenAI és az Azure AI Search szolgáltatáshoz. Adjon meg egy függvényburkolót a RAG-rendszer lekérdezésére vonatkozó kéréssel.

# 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

Cellakimenet: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)
)

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

Az alábbi függvények implementálják a két fő RAG-összetevőt: a retrievert (get_context_source) és a válaszgenerátort (get_answer). A kód hasonló az előző oktatóanyaghoz. A topN paraméter segítségével beállíthatja, hogy hány releváns erőforrást kér le (ez az oktatóanyag 3-at használ, de az optimális érték adatkészletenként változhat):

# 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

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

Dataset

A Carnegie Mellon University 1.2-es verziójú Kérdés-Válasz adatkészlete egy olyan korpusz, amely kézzel írt tényszerű kérdéseket és válaszokat tartalmaz a Wikipedia cikkekben. Az Azure Blob Storage-ban, a GFDL alatt található. Az adatkészlet egy táblát használ az alábbi mezőkkel:

  • ArticleTitle: A Wikipedia-cikk neve, amelyből a kérdések és válaszok származnak
  • Question: Kézzel írt kérdés a cikkről
  • Answer: Kézzel írt válasz a cikk alapján
  • DifficultyFromQuestioner: A kérdés szerzője által hozzárendelt nehézségi minősítés.
  • DifficultyFromAnswerer: Nehézség a kiértékelő által hozzárendelt minősítéssel; eltérhet a DifficultyFromQuestioner
  • ExtractedPath: Az eredeti cikk elérési útja (egy cikk több kérdés-válasz párból is rendelkezhet)
  • text: A Wikipedia megtisztított szövege

Töltse le a LICENSE-S08 és LICENSE-S09 fájlokat ugyanabból a helyről a licenc részleteiért.

Előzmények és idézet

Használja ezt az idézetet az adathalmazhoz:

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.

Teljesítményteszt létrehozása

Importálja a benchmarkot. Ehhez a bemutatóhoz használjon egy részletet a S08/set1 és S08/set2 kérdéshalmazokból. Ha cikkenként egy kérdést szeretne megtartani, alkalmazza azokat df.dropDuplicates(["ExtractedPath"]). Ismétlődő kérdések elvetése. A kurálási folyamat nehézségi címkéket ad hozzá; ez a példa a címkék számát korlátozza medium.

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)

Cellakimenet: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)

Az eredmény egy 20 sorból álló DataFrame - a demo benchmark. A kulcsmezők a Question, Answer (ember által válogatott alapigazság válasz), és a ExtractedPath (forrásdokumentum). Állítsa be a szűrőket úgy, hogy más kérdéseket is tartalmazzanak, és a valósághűbb példa érdekében változó nehézségi szinteket alkalmazzanak. Próbálja ki.

Egyszerű, végpontok közötti teszt futtatása

Kezdje a lekérdezés-fókuszú bővített generálás (RAG) végponttól végpontig terjedő füsttesztjével.

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

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

Ez a füstteszt segít megtalálni a RAG-implementációval kapcsolatos problémákat, például helytelen hitelesítő adatokat, hiányzó vagy üres vektorindexet vagy nem kompatibilis függvényfelületeket. Ha a teszt sikertelen, ellenőrizze a problémákat. Várt kimenet: Three. Ha a füstteszt sikeres, lépjen a következő szakaszra a RAG további kiértékeléséhez.

Metrikák létrehozása

Egy determinisztikus metrika meghatározása a lekérő kiértékeléséhez. Ezt a keresőmotorok ihlették. Ellenőrzi, hogy a lekért források listája tartalmazza-e az alapigaz forrást. Ez a metrika egy top-N pontossági pontszám, mert a topN paraméter beállítja a lekért források számát.

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

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

A benchmark teszt szerint a válasz a forrásban található, amelynek azonosítója "S08/data/set1/a9". A fenti példában futtatott függvény tesztelése a vártnak megfelelően adja vissza 1a függvényt, mert az a három legfontosabb szöveges adattömbben volt.

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

Cellakimenet: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

Ez a szakasz az AI által támogatott metrikákat határozza meg. A parancssori sablon tartalmaz néhány példát a bemenetre (KONTEXTUS és VÁLASZ) és a javasolt kimenetre – más néven néhány képből álló modellre. Ez ugyanaz a kérés, amelyet az Azure AI Studióban használnak. További információ a beépített értékelési metrikákról. Ez a bemutató a groundedness és relevance metrikákat használja – ezek általában a leghasznosabbak és legmegbízhatóbbak a GPT-modellek értékelésére. Más metrikák hasznosak lehetnek, de kevesebb intuíciót biztosítanak – például a válaszoknak nem kell a helyeshez hasonlónak lenniük, így similarity a pontszámok félrevezetőek lehetnek. Az összes metrika skálázása 1–5. A magasabb jobb. A lehorgonyzottság csak két bemenetet (kontextust és generált választ) használ, míg a másik két metrika az alapigazságot is figyelembe veszi a kiértékeléshez.

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

Cellakimenet: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

Cellakimenet: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

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

A relevanciametrika tesztelése:

get_relevance_metric(retrieved_context, question, answer)

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

Az 5-ös pontszám azt jelenti, hogy a válasz releváns. A következő kód lekéri a hasonlósági metrikát:

get_similarity_metric(question, 'three', answer)

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

Az 5-ös pontszám azt jelenti, hogy a válasz megfelel az emberi szakértő által jóváhagyott valós válasznak. Az AI által támogatott metrikák pontszáma ugyanazzal a bemenettel ingadozhat. Gyorsabbak, mint az emberi bírók alkalmazása.

A RAG teljesítményének kiértékelése a viszonyítási alap Q&A-n

Nagy léptékben futtatható függvényburkolók létrehozása. Csomagoljon be minden _udf-tal végződő funkciót (ami a user-defined function rövidítése), hogy megfeleljenek a Spark követelményeinek (@udf(returnType=StructType([ ... ]))), és gyorsabban lehessen számításokat végrehajtani a fürt nagy adathalmazain.

# 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)

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

Állapotfelmérés #1: a kereső teljesítménye.

Az alábbi kód létrehozza a result és retrieval_score oszlopokat a benchmark DataFrame-ben. Ezek az oszlopok tartalmazzák a RAG által generált választ, és annak jelzését, hogy az LLM-nek biztosított környezet tartalmazza-e a kérdés alapjául szolgáló cikket.

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"]))

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

Minden kérdés esetén a lekérő lekérdezi a megfelelő kontextust, és a legtöbb esetben ez az első bejegyzés. Az Azure AI Search jól működik. Felmerülhet a kérdés, hogy bizonyos esetekben a környezet miért tartalmaz két vagy három azonos értéket. Ez nem hiba – ez azt jelenti, hogy a lekérő lekéri ugyanannak a cikknek a töredékeit, amelyek nem férnek bele egyetlen adattömbbe a felosztás során.

2. bejelentkezés: a válaszgenerátor teljesítménye

Válasz létrehozásához adja át a kérdést és a környezetet az LLM-nek. Helyezze el a generated_answer oszlopban a DataFrame-ben.

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

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

A metrikák kiszámításához használja a létrehozott választ, az alapigaz választ, a kérdést és a kontextust. Az egyes kérdés-válasz párok kiértékelési eredményeinek megjelenítése:

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"]))

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

Mit mutatnak ezek az értékek? A könnyebb értelmezés érdekében ábrázolja a földelés, a relevancia és a hasonlóság hisztogramjait. Az LLM részletesebben fogalmaz, mint az emberi referencia válaszok, ami csökkenti a hasonlósági mérőszámot – a válaszok körülbelül fele szemantikailag helyes, de négy csillagot kap, mivel többnyire hasonlóak. A három metrika legtöbb értéke 4 vagy 5, ami arra utal, hogy a RAG-teljesítmény jó. Van néhány kiugró érték – például a kérdés How many species of otter are there?esetében – a létrehozott There are 13 species of ottermodell, amely nagy relevanciával és hasonlósággal helyes (5). Valamilyen okból a GPT rosszul megalapozottnak tartotta a megadott kontextusban, és egy csillagot adott neki. A másik három esetben, amikor legalább egy csillaggal rendelkező AI által segített metrika van, az alacsony pontszám rossz választ jelez. Az LLM időnként helytelen pontszámokat ad meg, de általában pontosan pontozza.

# 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()

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

Képernyőkép a kiértékelt kérdések GPT-relevanciájának és hasonlósági pontszámainak eloszlását bemutató hisztogramokról.

Utolsó lépésként mentse a benchmark eredményeit egy táblába a lakehouse-ban. Ez a lépés nem kötelező, de erősen ajánlott – hasznosabbá teszi az eredményeket. Ha módosít valamit a RAG-ban (például módosítja a parancssort, frissíti az indexet, vagy egy másik GPT-modellt használ a válaszgenerátorban), méri a hatást, számszerűsíti a fejlesztéseket, és észleli a regressziókat.

# 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)

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

Térjen vissza a kísérlet eredményeihez bármikor, hogy áttekintse őket, hasonlítsa össze az új kísérletekkel, és válassza ki az éles környezetben legjobban működő konfigurációt.

Összefoglalás

Az AI által támogatott metrikák és top-N lekérési arány használatával hozhatja létre a lekérés-bővített generációs (RAG) megoldását.

  • Last updated on