在 Azure AI Studio 中開發評估流程

發行項
09/04/2024

重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

評估流程是特殊的流程類型，可評估執行輸出與特定準則和目標之間的一致程度。

在提示流程中，您可以針對量身打造的工作和目標自訂或建立自己的評估流程，然後將其用來評估其他流程。在本文中，您將了解：

如何開發評估方法。
了解提示流程評估的輸入、輸出和記錄計量。

開始開發評估方法

有兩種方式可以開發您自己的評估方法：

自訂內建評估流程：修改內建評估流程。
1. 在 [工具] 底下，選取 [提示流程]。
2. 選取 [建立] 以開啟流程建立精靈。
3. 在流程資源庫的 [探索資源庫] 底下，選取 [評估流程] 來依該類型進行篩選。挑選範例，然後選取 [複製] 進行自訂。
從頭開始建立新的評估流程：從頭開始開發全新的評估方法。
1. 在 [工具] 底下，選取 [提示流程]。
2. 選取 [建立] 以開啟流程建立精靈。
3. 在流程資源庫的 [評估流程] 方塊中的 [依類型建立] 之下，選取 [建立]，然後您可看到評估流程的範本。

了解提示流程中的評估

在提示流程中，流程是處理輸入併產生輸出的節點序列。評估流程也會接受必要的輸入，並產生對應的輸出。

評估方法的一些特殊功能包括：

其通常會在要測試的執行之後執行，並接收該執行的輸出。
除了所要測試的執行輸出之外，也可以選擇性地接收另一個可能包含對應有根據事實的資料集。
其可能會有彙總節點，其會根據個別分數來計算所測試流程的整體效能。
其可以使用 log_metric() 函式來記錄計量。

我們會介紹如何在開發評估方法中定義輸入和輸出。

輸入

評估會在另一次執行之後執行，以評估該執行輸出與特定準則和目標之間的一致程度。因此，評估會接收從該執行產生的輸出。

可能也需要其他輸入，例如可能來自資料集的有根據事實。根據預設，評估會使用與提供給測試回合的測試資料集相同的資料集。不過，如果對應的標籤或目標有根據事實值位於不同的資料集中，您可以輕鬆地切換至該資料集。

因此，若要執行評估，您必須指出這些必要輸入的來源。若要這樣做，提交評估時，您會看到 [輸入對應] 區段。

如果資料來源是來自您的執行輸出，則來源會表示為 ${run.output.[OutputName]}
如果資料來源是來自您的測試資料集，則來源會表示為 ${data.[ColumnName]}

注意

如果您的評估不需要來自資料集的資料，則不需要參考輸入對應區段中的任何資料集資料行，表示資料集選取是選擇性的設定。資料集選取項目不會影響評估結果。

輸入描述

若要提醒計算計量所需的輸入，您可以新增每個必要輸入的描述。對應批次執行提交中的來源時，會顯示描述。

若要新增每個輸入的描述，請在開發評估方法時，選取在輸入區段中 [顯示描述]。您可以選取 [隱藏描述] 來隱藏描述。

然後在批次執行提交中使用這個評估方法時，會顯示此描述。

輸出和計量

評估的輸出是測量所測試流程效能的結果。輸出通常包含分數等計量，也可能包含推理和建議的文字。

執行個體層級分數輸出

在提示流程中，流程會一次處理一個範例資料集，並產生輸出記錄。同樣地，在大部分的評估案例中，每個輸出都有計量，可讓您檢查流程在每個個別資料上的執行方式。

若要記錄每個資料範例的分數，請計算每個輸出的分數，並在輸出區段中設定分數，將分數記錄為流程輸出。此製作體驗與定義標準流程輸出相同。

我們會在 line_process 節點中計算此分數，您可以在依類型建立時加以從頭開始建立和編輯。您也可以將此 Python 節點取代為 LLM 節點，以使用 LLM 來計算分數。

當這個評估方法用來評估另一個流程時，可以在 [概觀]>[輸出] 索引標籤中檢視執行個體層級分數。

計量記錄和彙總節點

此外，也請務必針對執行提供整體分數。您可以在評估流程中檢查 Python 節點的「設定為彙總」，使其變成「縮減」節點，讓節點在輸入做為清單並分批處理。

如此一來，您就可以計算及處理每個流程輸出的所有分數，並計算每個變體的整體結果。

您可以使用 Prompt flow_sdk.log_metrics() 在彙總節點中記錄計量。計量應該是數值 (float/int)。不支援字串類型計量記錄。

我們會在 aggregate 節點中計算此分數，您可以在依類型建立時加以從頭開始建立和編輯。您也可以將此 Python 節點取代為 LLM 節點，以使用 LLM 來計算分數。請參閱下列範例，了解如何在評估流程中使用 log_metric API：

from typing import List
from promptflow import tool, log_metric

@tool
def calculate_accuracy(grades: List[str], variant_ids: List[str]):
    aggregate_grades = {}
    for index in range(len(grades)):
        grade = grades[index]
        variant_id = variant_ids[index]
        if variant_id not in aggregate_grades.keys():
            aggregate_grades[variant_id] = []
        aggregate_grades[variant_id].append(grade)

    # calculate accuracy for each variant
    for name, values in aggregate_grades.items():
        accuracy = round((values.count("Correct") / len(values)), 2)
        log_metric("accuracy", accuracy, variant_id=name)

    return aggregate_grades

當您在 Python 節點中呼叫此函式時，不需要在其他地方加以指派，您稍後即可檢視計量。在批次執行中使用這個評估方法時，可以在 [概觀 ->計量] 索引標籤中檢視執行個體層級分數。

共用方式為