評価の概要 - Weights & Biases Documentation

評価主導の LLM アプリケーション開発 では、一貫性のある厳選された例を使ってその動作を測定することで、LLM アプリケーションを継続的に改善できます。このガイドでは、Weave で評価を設定して実行する方法を説明します。これにより、再現可能なテストケースに対して LLM アプリケーションのパフォーマンスを測定し、時間の経過に伴う変更を比較し、リグレッションを特定できます。これは、アドホックなテストから脱却し、構造化され測定可能なワークフローに移行したい LLM アプリケーション開発者を対象としています。

Python
TypeScript

Weave では、ワークフローの中核となるのが Evaluation オブジェクト で、次を定義します。

テスト例用の Dataset または辞書のリスト。
1 つ以上のスコアリング関数。
評価前にデータセットの行を整形するなどの省略可能な設定。

Evaluation を定義したら、それを Model オブジェクト、または LLM アプリケーションのロジックを含む任意のカスタム関数に対して実行できます。.evaluate() を呼び出すたびに、評価 run が実行されます。Evaluation オブジェクトは設計図、各 run はその設定のもとでアプリケーションがどのように動作するかを測定したものだと考えてください。

Weave では、ワークフローの中核となるのが Evaluation オブジェクト で、次を定義します。

テスト例用の Dataset または object の配列。
1 つ以上のスコアリング関数。

Evaluation を定義したら、それを weave.op でラップした任意の関数に対して実行できます。.evaluate() を呼び出すたびに、評価 run が実行されます。Evaluation オブジェクトは設計図、各 run はその設定のもとでアプリケーションがどのように動作するかを測定したものだと考えてください。

TypeScript SDK では、関数ベースのモデルと scorer を使用します。クラスベースの Model および Scorer タイプは、TypeScript ではまだ利用できません。

評価を始めるには、次の step を完了してください。

Evaluation オブジェクトを作成する
テスト例のデータセットを定義する
スコアリング関数を定義する
評価するモデルまたは関数を定義する
評価を実行する

これらの step を完了すると、再利用可能な評価設定と、Weave UI で結果を確認できる評価 run が得られます。評価コードの完全なサンプルについては、完全な評価コード例を参照してください。高度な評価機能についても、保存済みビューや命令型評価などを含めて学べます。

`Evaluation` オブジェクトを作成する

Evaluation オブジェクトの作成は、評価の設定を行う最初のステップです。Evaluation は、サンプルデータ、スコアリングロジック、必要に応じた前処理で構成されます。後でこれを使用して、1 つ以上の評価を実行します。 Weave は各サンプルを受け取り、それをアプリケーションに通して、複数のカスタムスコアリング関数で出力を採点します。これにより、アプリケーションのパフォーマンスを把握できるようになり、個々の出力やスコアを詳しく確認できる充実した UI も利用できます。カスタム名の設定は任意ですが、Weave UI で異なる評価設定や Runs を区別するのに役立ちます。評価が 1 つしかない場合は、このセクションをスキップできます。

任意: カスタム名の設定

Python
TypeScript

評価フローでは、カスタマイズ可能な名前が 2 種類あります。

Evaluation オブジェクト名 (evaluation_name): 設定した Evaluation オブジェクトに付ける永続的なラベルです。
評価 run の表示名 (__weave["display_name"]): 特定の評価実行に付けるラベルで、UI に表示されます。

`Evaluation` オブジェクトに名前を付ける

Evaluation オブジェクト自体に名前を付けるには、Evaluation クラスに evaluation_name パラメーターを渡します。この名前を付けることで、コード内や UI の一覧で Evaluation を識別しやすくなります。

evaluation = Evaluation(
    dataset=examples, scorers=[match_score1], evaluation_name="My Evaluation"
)

個々の評価 run に名前を付ける

特定の評価 run (evaluate() の呼び出し) に名前を付けるには、display_name を含む __weave 辞書を使用します。これにより、その run について UI に表示される名前が変わります。

evaluation = Evaluation(
    dataset=examples, scorers=[match_score1]
)
evaluation.evaluate(model, __weave={"display_name": "My Evaluation Run"})

Evaluation オブジェクトに名前を付けるには、Evaluation コンストラクターに id パラメーターを渡します。この名前を付けることで、コード内や UI の一覧で Evaluation を識別しやすくなります。

const evaluation = new weave.Evaluation({
  id: 'my-evaluation',
  dataset: dataset,
  scorers: [matchScore],
});

テスト例のデータセットを定義する

まず、評価対象の例を集めた Dataset オブジェクト、または例のリストを定義します。これらの例は、多くの場合、テスト駆動開発 (TDD) のユニットテストと同様に、テストしたい失敗ケースです。

Python
TypeScript

次の例は、辞書のリストとして定義されたデータセットを示しています。

examples = [
    {"question": "What is the capital of France?", "expected": "Paris"},
    {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
    {"question": "What is the square root of 64?", "expected": "8"},
]

次の例は、行の配列を持つ Dataset オブジェクトとして定義されたデータセットを示しています。

const dataset = new weave.Dataset({
  id: 'my-dataset',
  rows: [
    {question: 'What is the capital of France?', expected: 'Paris'},
    {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
    {question: 'What is the square root of 64?', expected: '8'},
  ],
});

スコアリング関数を定義する

次に、1 つ以上のスコアリング関数を作成します。Weave はこれらを使用して、Dataset 内の各サンプルをスコア付けします。

Python
TypeScript

各スコアリング関数には output パラメーターが必要で、スコアを含む辞書を返す必要があります。必要に応じて、サンプル内の他の入力も含められます。スコアリング関数には output キーワード引数が必要ですが、それ以外の引数はユーザー定義で、データセット内のサンプルから取得されます。引数名に対応する辞書キーに基づいて、必要なキーだけが渡されます。

scorer が output 引数を想定しているのに受け取れていない場合は、従来の model_output キーを使用しているかどうか確認してください。修正するには、scorer 関数を更新して、キーワード引数として output を使用するようにします。

次の scorer 関数 match_score1 は、スコア付けに examples 辞書の expected 値を使用します。

import weave

# サンプルを収集します
examples = [
    {"question": "What is the capital of France?", "expected": "Paris"},
    {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
    {"question": "What is the square root of 64?", "expected": "8"},
]

# カスタムスコアリング関数を定義します
@weave.op()
def match_score1(expected: str, output: dict) -> dict:
    # ここでモデル出力をスコア付けするロジックを定義します
    return {'match': expected == output['generated_text']}

任意: カスタム `Scorer` クラスを定義する

アプリケーションによっては、カスタム Scorer クラスを作成したい場合があります。たとえば、特定のパラメーター (チャットモデル、プロンプトなど)、各行に対する特定のスコア付け、集計スコアの特定の計算を備えた、標準化された LLMJudge クラスを作成できます。詳細については、RAG アプリケーションのモデルベース評価にある Scorer クラスの定義に関するチュートリアルを参照してください。

各スコアリング関数は weave.op でラップされ、modelOutput プロパティと datasetRow プロパティを持つオブジェクトを受け取ります。次の scorer 関数 matchScore は、モデル出力をデータセット行の expected 値と比較します。

import * as weave from 'weave';

// サンプルをデータセットに収集します
const dataset = new weave.Dataset({
  id: 'my-dataset',
  rows: [
    {question: 'What is the capital of France?', expected: 'Paris'},
    {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
    {question: 'What is the square root of 64?', expected: '8'},
  ],
});

// カスタムスコアリング関数を定義します
const matchScore = weave.op(
  ({modelOutput, datasetRow}) => {
    return {match: modelOutput === datasetRow.expected};
  },
  {name: 'matchScore'}
);

クラスベースの Scorer タイプは、TypeScript ではまだ利用できません。weave.op でラップした関数ベースの scorer を使用してください。

評価するモデルまたは関数を定義する

Python
TypeScript

Model を評価するには、Evaluation を使って .evaluate() を呼び出します。試したいパラメーターがあり、それらを Weave で取得したい場合は、Model オブジェクトを使用します。

from weave import Model, Evaluation
import asyncio

class MyModel(Model):
    prompt: str

    @weave.op()
    def predict(self, question: str):
        # ここで LLM の呼び出しを追加し、出力を返します
        return {'generated_text': 'Hello, ' + self.prompt}

model = MyModel(prompt='World')

evaluation = Evaluation(
    dataset=examples, scorers=[match_score1]
)
weave.init('intro-example') # Weave で結果のトラッキングを開始
asyncio.run(evaluation.evaluate(model))

これにより、各例に対して predict が実行され、各スコアリング関数で出力がスコア化されます。

省略可能: 評価する関数を定義する

また、@weave.op() でトラッキングされるカスタム関数を評価することもできます。

@weave.op
def function_to_evaluate(question: str):
    # ここで LLM の呼び出しを追加し、出力を返します
    return  {'generated_text': 'some response'}

asyncio.run(evaluation.evaluate(function_to_evaluate))

TypeScript では、weave.op でラップした関数を評価します。この関数はデータセットの行を受け取り、モデルの出力を返します。

import * as weave from 'weave';

// Weave を初期化
await weave.init('intro-example');

// 評価する関数を定義
const myModel = weave.op(
  async ({question}) => {
    // ここで LLM の呼び出しを追加し、出力を返します
    return 'Paris';
  },
  {name: 'myModel'}
);

// 評価を作成
const evaluation = new weave.Evaluation({
  id: 'my-evaluation',
  dataset: dataset,
  scorers: [matchScore],
});

// 評価を実行
const results = await evaluation.evaluate({model: myModel});

これにより、各例に対して myModel が実行され、各スコアリング関数で出力がスコア化されます。

評価を実行する

Evaluation オブジェクト、データセット、Scorer、モデルを定義したら、評価を実行して結果を Weave に記録する準備が整いました。評価を実行するには、Evaluation オブジェクトで .evaluate() を呼び出します。

Python
TypeScript

evaluation という名前の Evaluation オブジェクトと、評価対象の model という名前の Model オブジェクトがあるとします。次のコードは評価 run を開始します。

asyncio.run(evaluation.evaluate(model))

省略可能: 複数回の試行を実行する

各例を複数回実行するには、Evaluation オブジェクトで trials パラメーターを設定します。

evaluation = Evaluation(
    dataset=examples,
    scorers=[match_score],
    trials=3
)

evaluation という名前の Evaluation オブジェクトと、myModel という名前のモデル関数があるとします。次のコードは評価を実行します。

const results = await evaluation.evaluate({model: myModel});

省略可能: 複数回の試行を実行する

各例を複数回実行するには、evaluate() の呼び出し時に nTrials パラメーターを設定します。

const results = await evaluation.evaluate({
  model: myModel,
  nTrials: 3,
});

この run では各例がモデルに3回渡され、Weave が各 run をそれぞれ個別にスコアリングして表示します。

完全な評価コード例

次の例では、ここまでの各ステップを 1 つの実行可能なスクリプトにまとめています。評価ワークフローを独自のアプリケーションに合わせて調整する際の参考として使用してください。

Python
TypeScript

次のコードサンプルは、最初から最後までの完全な評価 run を示しています。examples 辞書は、prompt の値に基づいて MyModel を評価するために、match_score1 と match_score2 のスコアリング関数で使用されます。また、custom function の function_to_evaluate に対しても使用されます。Model と function の両方の評価は、asyncio.run(evaluation.evaluate()) を使用して呼び出します。

from weave import Evaluation, Model
import weave
import asyncio
weave.init('intro-example')
examples = [
    {"question": "What is the capital of France?", "expected": "Paris"},
    {"question": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
    {"question": "What is the square root of 64?", "expected": "8"},
]

@weave.op()
def match_score1(expected: str, output: dict) -> dict:
    return {'match': expected == output['generated_text']}

@weave.op()
def match_score2(expected: dict, output: dict) -> dict:
    return {'match': expected == output['generated_text']}

class MyModel(Model):
    prompt: str

    @weave.op()
    def predict(self, question: str):
        # ここで LLM の呼び出し を追加し、出力を返します
        return {'generated_text': 'Hello, ' + question + self.prompt}

model = MyModel(prompt='World')
evaluation = Evaluation(dataset=examples, scorers=[match_score1, match_score2])

asyncio.run(evaluation.evaluate(model))

@weave.op()
def function_to_evaluate(question: str):
    # ここで LLM の呼び出し を追加し、出力を返します
    return  {'generated_text': 'some response' + question}

asyncio.run(evaluation.evaluate(function_to_evaluate("What is the capitol of France?")))

次のコードサンプルは、最初から最後までの完全な評価 run を示しています。データセットの行は、myModel を評価するために matchScore スコアリング関数で使用されます。

import * as weave from 'weave';

// Weave を初期化します
await weave.init('intro-example');

// 例をデータセットにまとめます
const dataset = new weave.Dataset({
  id: 'my-dataset',
  rows: [
    {question: 'What is the capital of France?', expected: 'Paris'},
    {question: 'Who wrote "To Kill a Mockingbird"?', expected: 'Harper Lee'},
    {question: 'What is the square root of 64?', expected: '8'},
  ],
});

// スコアリング関数 を定義します
const matchScore = weave.op(
  ({modelOutput, datasetRow}) => {
    return {match: modelOutput === datasetRow.expected};
  },
  {name: 'matchScore'}
);

// 評価対象の function を定義します
const myModel = weave.op(
  async ({question}) => {
    // ここで LLM の呼び出し を追加し、出力を返します
    return 'Paris';
  },
  {name: 'myModel'}
);

// 評価を作成して実行します
const evaluation = new weave.Evaluation({
  id: 'my-evaluation',
  dataset: dataset,
  scorers: [matchScore],
});

const results = await evaluation.evaluate({model: myModel});
console.log('評価結果:', results);

高度な評価の活用

以下のセクションでは、データセットの前処理、サードパーティ製データセットのインテグレーション、保存済みの UI ビュー、命令型の logging API など、より複雑な評価ワークフローで利用できるオプション機能について説明します。

評価前にデータセットの行を整形する

Python
TypeScript

Weave は、preprocess_model_input 関数をモデルの予測関数に渡す前の入力にのみ適用します。scorer 関数には、前処理が適用されていない元のデータセット例が常に渡されます。

preprocess_model_input パラメーターを使うと、Weave がデータセット例を評価関数に渡す前に変換できます。これは、次のような場合に便利です。

モデルが想定する入力に合わせてフィールド名を変更する。
データを正しい形式に変換する。
フィールドを追加または削除する。
各例について追加データを読み込む。

以下は、preprocess_model_input を使ってフィールド名を変更する方法を示す例です。

import weave
from weave import Evaluation
import asyncio

# このデータセットには "input_text" がありますが、モデルは "question" を想定しています
examples = [
    {"input_text": "What is the capital of France?", "expected": "Paris"},
    {"input_text": "Who wrote 'To Kill a Mockingbird'?", "expected": "Harper Lee"},
    {"input_text": "What is the square root of 64?", "expected": "8"},
]

@weave.op()
def preprocess_example(example):
    # input_text を question に変更
    return {
        "question": example["input_text"]
    }

@weave.op()
def match_score(expected: str, output: dict) -> dict:
    return {'match': expected == output['generated_text']}

@weave.op()
def function_to_evaluate(question: str):
    return {'generated_text': f'Answer to: {question}'}

# 前処理付きの評価を作成
evaluation = Evaluation(
    dataset=examples,
    scorers=[match_score],
    preprocess_model_input=preprocess_example
)

# 評価を実行
weave.init('preprocessing-example')
asyncio.run(evaluation.evaluate(function_to_evaluate))

この例では、データセットには input_text フィールドを持つ例が含まれていますが、評価関数は question パラメーターを想定しています。preprocess_example 関数は、フィールド名を変更して各例を変換することで、評価が正しく動作するようにします。前処理関数は次のように動作します。

データセットから生の例を受け取る。
モデルが期待するフィールドを含む辞書を返す。
Weave が各例を評価関数に渡す前に、各例に対して実行される。

これは、モデルが期待するものとは異なるフィールド名や構造を持つ可能性がある外部データセットを扱う場合に便利です。

TypeScript では、Evaluation オブジェクトの columnMapping を使用して、データセットの列名を scorer が期待する名前にマッピングできます。これは、データセットのフィールド名が scorer 関数の想定と異なる場合に便利です。次の例では、expectedOutputTimesTwo 列を expected 列にマッピングしています。

const myScorer = weave.op(
  ({modelOutput, datasetRow}) => {
    return modelOutput * 2 === datasetRow.expectedOutputTimesTwo;
  },
  {name: 'myScorer'}
);

const evaluation = new weave.Evaluation({
  id: 'my-evaluation',
  dataset: [{expected: 2}],
  scorers: [myScorer],
  columnMapping: {expectedOutputTimesTwo: 'expected'},
});

preprocess_model_input パラメーターは、TypeScript ではまだ利用できません。データセットのフィールドを scorer の想定に対応付けるには、columnMapping を使用してください。

HuggingFace データセットを評価で使用する

Python
TypeScript

Weave の評価で HuggingFace Datasets を使用するための回避策として preprocess_model_input を使用できます。詳細については、HuggingFace データセットを評価で使用する cookbook を参照してください。

この機能は TypeScript では利用できません。

保存済みビュー

Evals の表の設定、フィルター、並べ替え順を、よく使う設定にすばやくアクセスできるよう、保存済みビュー として保存できます。保存済みビューは、UI と Python SDK で設定およびアクセスできます。詳細は保存済みビューを参照してください。

命令型評価 (`EvaluationLogger`)

より柔軟な評価フレームワークを使いたい場合は、Weave の EvaluationLogger をご覧ください。EvaluationLogger は Python と TypeScript の両方で利用でき、複雑なワークフローにも柔軟に対応できます。一方、標準の評価フレームワークは、より明確な構造とガイダンスを提供します。

​Evaluation オブジェクトを作成する

​任意: カスタム名の設定

​Evaluation オブジェクトに名前を付ける

​個々の評価 run に名前を付ける

​テスト例のデータセットを定義する

​スコアリング関数を定義する

​任意: カスタム Scorer クラスを定義する

​評価するモデルまたは関数を定義する

​省略可能: 評価する関数を定義する

​評価を実行する

​省略可能: 複数回の試行を実行する

​省略可能: 複数回の試行を実行する

​完全な評価コード例

​高度な評価の活用

​評価前にデータセットの行を整形する

​HuggingFace データセットを評価で使用する

​保存済みビュー

​命令型評価 (EvaluationLogger)

`Evaluation` オブジェクトを作成する

任意: カスタム名の設定

`Evaluation` オブジェクトに名前を付ける

個々の評価 run に名前を付ける

テスト例のデータセットを定義する

スコアリング関数を定義する

任意: カスタム `Scorer` クラスを定義する

評価するモデルまたは関数を定義する

省略可能: 評価する関数を定義する

評価を実行する

省略可能: 複数回の試行を実行する

省略可能: 複数回の試行を実行する

完全な評価コード例

高度な評価の活用

評価前にデータセットの行を整形する

HuggingFace データセットを評価で使用する

保存済みビュー

命令型評価 (`EvaluationLogger`)