メインコンテンツへスキップ
これはインタラクティブなノートブックです。ローカルで実行することも、以下のリンクを使用することもできます。

​
サードパーティシステムからトレースをインポート

場合によっては、GenAI アプリケーションのリアルタイムのトレースを取得するために、Weave のシンプルなインテグレーションを Python や JavaScript のコードに組み込めないことがあります。そうした場合でも、後からそれらのトレースを csv または json 形式で入手できることがよくあります。 このクックブックでは、より低レベルな Weave Python API を使って CSV ファイルからデータを抽出し、Weave にインポートして、洞察の獲得や厳密な評価に役立てる方法を紹介します。 このクックブックで前提とするサンプルデータセットは、次の構造になっています。 
conversation_id,turn_index,start_time,user_input,ground_truth,answer_text
1234,1,2024-09-04 13:05:39,This is the beginning, ['This was the beginning'], That was the beginning
1235,1,2024-09-04 13:02:11,This is another trace,, That was another trace
1235,2,2024-09-04 13:04:19,This is the next turn,, That was the next turn
1236,1,2024-09-04 13:02:10,This is a 3 turn conversation,, Woah thats a lot of turns
1236,2,2024-09-04 13:02:30,This is the second turn, ['That was definitely the second turn'], You are correct
1236,3,2024-09-04 13:02:53,This is the end,, Well good riddance!
このクックブックでのインポート時の判断を理解するには、Weaveのトレースが 1:多 の連続した親子関係を持つことを知っておく必要があります。つまり、1 つの親に複数の子を持たせることができ、その親自体が別の親の子になる場合もあります。 そのため、会話全体のloggingを行えるよう、親の識別子として conversation_id を、子の識別子として turn_index を使用します。 必要に応じて変数を変更してください。

​
環境を設定する

必要なパッケージをすべてインストールし、インポートします。 wandb.login() で簡単にログインできるよう、環境変数に WANDB_API_KEY を設定します (これはシークレットとして colab に渡す必要があります) 。 name_of_file には colab にアップロードするファイル名を設定し、name_of_wandb_project にはこれをログする先の W&B のプロジェクトを設定します。 NOTE: name_of_wandb_project は、トレースのログ先となる Teams を指定するために、{team_name}/{project_name} の形式にすることもできます。 その後、weave.init() を呼び出して Weave クライアントを取得します 
%pip install wandb weave pandas datetime --quiet
python
import os

import pandas as pd
import wandb
from google.colab import userdata

import weave

## サンプルファイルをディスクに書き込む
with open("/content/import_cookbook_data.csv", "w") as f:
    f.write(
        "conversation_id,turn_index,start_time,user_input,ground_truth,answer_text\n"
    )
    f.write(
        '1234,1,2024-09-04 13:05:39,This is the beginning, ["This was the beginning"], That was the beginning\n'
    )
    f.write(
        "1235,1,2024-09-04 13:02:11,This is another trace,, That was another trace\n"
    )
    f.write(
        "1235,2,2024-09-04 13:04:19,This is the next turn,, That was the next turn\n"
    )
    f.write(
        "1236,1,2024-09-04 13:02:10,This is a 3 turn conversation,, Woah thats a lot of turns\n"
    )
    f.write(
        '1236,2,2024-09-04 13:02:30,This is the second turn, ["That was definitely the second turn"], You are correct\n'
    )
    f.write("1236,3,2024-09-04 13:02:53,This is the end,, Well good riddance!\n")

os.environ["WANDB_API_KEY"] = userdata.get("WANDB_API_KEY")
name_of_file = "/content/import_cookbook_data.csv"
name_of_wandb_project = "import-weave-traces-cookbook"

wandb.login()
python
weave_client = weave.init(name_of_wandb_project)

​
データの読み込み

データを Pandas の dataframe に読み込み、親子関係が正しい順序になるよう、conversation_id と turn_index でソートします。 その結果、各会話ターンが conversation_data に配列として格納された、2 列の pandas DF になります。 
## データを読み込んで整形する
df = pd.read_csv(name_of_file)

sorted_df = df.sort_values(["conversation_id", "turn_index"])

# 各会話のdictの配列を作成するfunction
def create_conversation_dict_array(group):
    return group.drop("conversation_id", axis=1).to_dict("records")

# dataframeをconversation_idでグループ化してaggregationを適用する
result_df = (
    sorted_df.groupby("conversation_id")
    .apply(create_conversation_dict_array)
    .reset_index()
)
result_df.columns = ["conversation_id", "conversation_data"]

# aggregationの結果を確認する
result_df.head()

​
トレースを Weave にログする

ここでは、pandas の DF をイテレートします。
  • conversation_id ごとに親 call を作成します
  • turn_index でソートされた turn 配列を順に処理して、子 call を作成します
低レベル Python API の重要な概念:
  • Weave の call は Weave のトレースに相当し、この call には親や子を関連付けることができます
  • Weave の call には、Feedback や Metadata など、ほかの情報を関連付けることもできます。ここでは inputs と outputs のみを関連付けていますが、データにそれらが含まれている場合は、import 時に追加するとよいでしょう。
  • Weave の call には created と finished があります。これはリアルタイムでトラッキングすることを想定しているためです。今回は事後的な import なので、object を定義して相互に関連付けたあとで、作成と完了をまとめて行います。
  • call の op 値は、Weave が同じ構成の call を分類するためのものです。この例では、すべての親 call は Conversation タイプ、すべての子 call は Turn タイプです。必要に応じて変更できます。
  • call には inputs と output を持たせることができます。inputs は作成時に定義し、output は call の完了時に定義します。
# Weave にトレースをログする

# 集約した会話を反復処理する
for _, row in result_df.iterrows():
    # 会話の親を定義する。
    # 先ほど定義した weave_client を使って "call" を作成する
    parent_call = weave_client.create_call(
        # Op の値によってこれを Weave Op として登録し、後でグループとしてまとめて取得できるようにする
        op="Conversation",
        # 上位レベルの会話の inputs として、その配下のすべてのターンを設定する
        inputs={
            "conversation_data": row["conversation_data"][:-1]
            if len(row["conversation_data"]) > 1
            else row["conversation_data"]
        },
        # Conversation の親にはさらに上の親は存在しない
        parent=None,
        # この会話が UI に表示される際の名前
        display_name=f"conversation-{row['conversation_id']}",
    )

    # 親の出力を会話内の最後のトレースに設定する
    parent_output = row["conversation_data"][len(row["conversation_data"]) - 1]

    # 親に対するすべての会話ターンを反復処理し、
    # 会話の子としてログする
    for item in row["conversation_data"]:
        item_id = f"{row['conversation_id']}-{item['turn_index']}"

        # 会話の配下に分類されるよう、ここで再度 call を作成する
        call = weave_client.create_call(
            # 単一の会話トレースを "Turn" として分類する
            op="Turn",
            # RAG の 'ground_truth' を含む、ターンのすべての inputs を指定する
            inputs={
                "turn_index": item["turn_index"],
                "start_time": item["start_time"],
                "user_input": item["user_input"],
                "ground_truth": item["ground_truth"],
            },
            # 定義した親の子として設定する
            parent=parent_call,
            # Weave で識別するための名前を指定する
            display_name=item_id,
        )

        # call の出力を回答として設定する
        output = {
            "answer_text": item["answer_text"],
        }

        # これらはすでに発生済みのトレースであるため、単一ターンの call を終了する
        weave_client.finish_call(call=call, output=output)
    # すべての子をログし終えたので、親の call も終了する
    weave_client.finish_call(call=parent_call, output=parent_output)

​
結果: トレースが Weave にログされる

トレース:
image.png
Operations:
image.png

​
おまけ: トレースをエクスポートして厳密な評価を行いましょう！

トレースが Weave に取り込まれ、会話の内容を把握できたら、後でそれらを別のプロセスにエクスポートして Weave の評価を実行できます。
image.png
これを行うには、シンプルなクエリ API を使って W&B からすべての会話を取得し、そこからデータセットを作成します。 
## このセルはデフォルトでは実行されません。このスクリプトを実行するには以下の行をコメントアウトしてください
%%script false --no-raise-error
## 評価用の会話トレースをすべて取得し、評価用データセットを準備する

# すべての Conversation オブジェクトを取得するクエリフィルターを作成します
# 以下の ref はプロジェクト固有のものです。UI でプロジェクトの Operations に移動し、
# "Conversations" オブジェクトをクリックして、サイドパネルの "Use" タブから取得できます。
weave_ref_for_conversation_op = "weave://wandb-smle/import-weave-traces-cookbook/op/Conversation:tzUhDyzVm5bqQsuqh5RT4axEXSosyLIYZn9zbRyenaw"
filter = weave.trace_server.trace_server_interface.CallsFilter(
    op_names=[weave_ref_for_conversation_op],
  )

# クエリを実行する
conversation_traces = weave_client.get_calls(filter=filter)

rows = []

# 会話トレースを反復処理し、データセットの行を構築する
for single_conv in conversation_traces:
  # この例では、RAG パイプラインを使用した会話のみを対象とするため、
  # 該当するタイプの会話をフィルタリングします
  is_rag = False
  for single_trace in single_conv.inputs['conversation_data']:
    if single_trace['ground_truth'] is not None:
      is_rag = True
      break
  if single_conv.output['ground_truth'] is not None:
      is_rag = True

  # RAG を使用した会話を特定したら、データセットに追加する
  if is_rag:
    inputs = []
    ground_truths = []
    answers = []

    # 会話の各ターンを反復処理する
    for turn in single_conv.inputs['conversation_data']:
      inputs.append(turn.get('user_input', ''))
      ground_truths.append(turn.get('ground_truth', ''))
      answers.append(turn.get('answer_text', ''))
    ## 会話が1ターンのみの場合に対応する
    if len(single_conv.inputs) != 1 or single_conv.inputs['conversation_data'][0].get('turn_index') != single_conv.output.get('turn_index'):
      inputs.append(single_conv.output.get('user_input', ''))
      ground_truths.append(single_conv.output.get('ground_truth', ''))
      answers.append(single_conv.output.get('answer_text', ''))

    data = {
        'question': inputs,
        'contexts': ground_truths,
        'answer': answers
    }

    rows.append(data)

# データセットの行を作成したら、Dataset オブジェクトを作成し、
# 後から取得できるよう Weave に公開する
dset = weave.Dataset(name = "conv_traces_for_eval", rows=rows)
weave.publish(dset)

​
結果

image.png
評価の詳細については、新しく作成したデータセットを使って RAG アプリケーションを評価する方法を紹介したクイックスタートをご覧ください。