메인 콘텐츠로 건너뛰기
Weave 는 AI 애플리케이션을 평가하기 위해 환각 탐지 및 요약 품질과 같이 미리 정의된 여러 scorer를 제공합니다. 이러한 scorer는 평가를 신속하게 정의하고 애플리케이션의 출력을 채점하는 데 유용합니다.
로컬 scorer는 Weave Python SDK에서만 사용할 수 있습니다. 아직 Weave TypeScript SDK에서는 지원되지 않습니다.TypeScript에서 Weave scorer를 사용하려면 함수 기반 scorer를 참조하세요.

​
설치

Weave의 사전 정의된 scorer를 사용하려면 추가 종속성을 설치해야 합니다. 
pip install weave[scorers]
LLM 평가기 (LLM-evaluators) 2025년 2월 업데이트: LLM을 활용하는 사전 정의된 scorer들이 이제 litellm과 자동으로 통합됩니다. 더 이상 LLM 클라이언트를 전달할 필요가 없으며, model_id만 설정하면 됩니다. 지원되는 모델은 여기에서 확인할 수 있습니다.

​
HallucinationFreeScorer

이 scorer는 AI 시스템의 출력이 입력 데이터를 기반으로 할 때 환각(hallucination)을 포함하고 있는지 확인합니다. 
from weave.scorers import HallucinationFreeScorer

scorer = HallucinationFreeScorer()
커스터마이징:
  • Scorer의 system_prompt 및 user_prompt 필드를 수정하여 사용자에게 적합한 “환각”의 의미를 정의할 수 있습니다.
안내:
  • score 메소드는 context라는 이름의 입력 컬럼을 기대합니다. Datasets에서 다른 이름을 사용하는 경우, column_map 속성을 사용하여 context를 데이터셋 컬럼에 매핑하세요.
다음은 평가 컨텍스트에서의 사용 예시입니다. 
import asyncio
import weave
from weave.scorers import HallucinationFreeScorer

# 필요한 경우 컬럼 매핑과 함께 scorer 초기화
hallucination_scorer = HallucinationFreeScorer(
    model_id="openai/gpt-4o", # 또는 litellm이 지원하는 다른 모델
    column_map={"context": "input", "output": "other_col"}
)

# 데이터셋 생성
dataset = [
    {"input": "John likes various types of cheese."},
    {"input": "Pepe likes various types of cheese."},
]

@weave.op
def model(input: str) -> str:
    return "The person's favorite cheese is cheddar."

# 평가 실행
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[hallucination_scorer],
)
result = asyncio.run(evaluation.evaluate(model))
print(result)
# 출력 예시:
# {'HallucinationFreeScorer': {'has_hallucination': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}

​
SummarizationScorer

LLM을 사용하여 요약본을 원문과 비교하고 요약의 품질을 평가합니다. 
from weave.scorers import SummarizationScorer

scorer = SummarizationScorer(
    model_id="openai/gpt-4o"  # 또는 litellm이 지원하는 다른 모델
)
작동 방식: 이 scorer는 두 가지 방식으로 요약을 평가합니다.
  1. 엔티티 밀도 (Entity Density): 요약의 “정보 밀도”를 추정하기 위해 요약에 언급된 고유 엔티티(이름, 장소, 사물 등)의 수와 요약의 전체 단어 수 사이의 비율을 확인합니다. 엔티티 추출에는 LLM이 사용됩니다. 이는 Chain of Density 논문(https://arxiv.org/abs/2309.04269)에서 사용된 방식과 유사합니다.
  2. 품질 등급 (Quality Grading): LLM 평가기가 요약을 poor, ok, 또는 excellent로 등급을 매깁니다. 이 등급은 집계 성능 평가를 위해 점수(poor는 0.0, ok는 0.5, excellent는 1.0)로 매핑됩니다.
커스터마이징:
  • summarization_evaluation_system_prompt 및 summarization_evaluation_prompt를 조정하여 평가 프로세스를 맞춤 설정할 수 있습니다.
안내:
  • 이 scorer는 내부적으로 litellm을 사용합니다.
  • score 메소드는 원문(요약 대상 텍스트)이 input 컬럼에 있다고 가정합니다. 데이터셋에서 다른 이름을 사용하는 경우 column_map을 사용하세요.
다음은 평가 컨텍스트에서의 사용 예시입니다. 
import asyncio
import weave
from weave.scorers import SummarizationScorer

class SummarizationModel(weave.Model):
    @weave.op()
    async def predict(self, input: str) -> str:
        return "This is a summary of the input text."

# scorer 초기화
summarization_scorer = SummarizationScorer(
    model_id="openai/gpt-4o"  # 또는 litellm이 지원하는 다른 모델
)
# 데이터셋 생성
dataset = [
    {"input": "The quick brown fox jumps over the lazy dog."},
    {"input": "Artificial Intelligence is revolutionizing various industries."}
]
# 평가 실행
evaluation = weave.Evaluation(dataset=dataset, scorers=[summarization_scorer])
results = asyncio.run(evaluation.evaluate(SummarizationModel()))
print(results)
# 출력 예시:
# {'SummarizationScorer': {'is_entity_dense': {'true_count': 0, 'true_fraction': 0.0}, 'summarization_eval_score': {'mean': 0.0}, 'entity_density': {'mean': 0.0}}, 'model_latency': {'mean': ...}}

​
OpenAIModerationScorer

OpenAIModerationScorer는 OpenAI의 Moderation API를 사용하여 AI 시스템의 출력에 혐오 표현이나 부적절한 내용 등 허용되지 않는 콘텐츠가 포함되어 있는지 확인합니다. 
from weave.scorers import OpenAIModerationScorer

scorer = OpenAIModerationScorer()
작동 방식:
  • AI의 출력을 OpenAI Moderation 엔드포인트로 전송하고 콘텐츠의 플래그 지정 여부를 나타내는 구조화된 응답을 반환합니다.
안내: 다음은 평가 컨텍스트에서의 사용 예시입니다. 
import asyncio
import weave
from weave.scorers import OpenAIModerationScorer

class MyModel(weave.Model):
    @weave.op
    async def predict(self, input: str) -> str:
        return input

# scorer 초기화
moderation_scorer = OpenAIModerationScorer()

# 데이터셋 생성
dataset = [
    {"input": "I love puppies and kittens!"},
    {"input": "I hate everyone and want to hurt them."}
]

# 평가 실행
evaluation = weave.Evaluation(dataset=dataset, scorers=[moderation_scorer])
results = asyncio.run(evaluation.evaluate(MyModel()))
print(results)
# 출력 예시:
# {'OpenAIModerationScorer': {'flagged': {'true_count': 1, 'true_fraction': 0.5}, 'categories': {'violence': {'true_count': 1, 'true_fraction': 1.0}}}, 'model_latency': {'mean': ...}}

​
EmbeddingSimilarityScorer

EmbeddingSimilarityScorer는 AI 시스템의 출력과 데이터셋의 타겟 텍스트 사이의 임베딩 코사인 유사도를 계산합니다. 이는 AI의 출력이 참조 텍스트와 얼마나 유사한지 측정하는 데 유용합니다. 
from weave.scorers import EmbeddingSimilarityScorer

similarity_scorer = EmbeddingSimilarityScorer(
    model_id="openai/text-embedding-3-small",  # 또는 litellm이 지원하는 다른 모델
    threshold=0.4  # 코사인 유사도 임계값
)
파라미터:
  • threshold (float): 두 텍스트가 유사하다고 간주하기 위해 필요한 최소 코사인 유사도 점수(-1에서 1 사이, 기본값은 0.5).
사용 예시: 다음 예시는 평가 컨텍스트에서 EmbeddingSimilarityScorer를 사용합니다. 
import asyncio
import weave
from weave.scorers import EmbeddingSimilarityScorer

# scorer 초기화
similarity_scorer = EmbeddingSimilarityScorer(
    model_id="openai/text-embedding-3-small",  # 또는 litellm이 지원하는 다른 모델
    threshold=0.7
)
# 데이터셋 생성
dataset = [
    {
        "input": "He's name is John",
        "target": "John likes various types of cheese.",
    },
    {
        "input": "He's name is Pepe.",
        "target": "Pepe likes various types of cheese.",
    },
]
# 모델 정의
@weave.op
def model(input: str) -> str:
    return "John likes various types of cheese."

# 평가 실행
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[similarity_scorer],
)
result = asyncio.run(evaluation.evaluate(model))
print(result)
# 출력 예시:
# {'EmbeddingSimilarityScorer': {'is_similar': {'true_count': 1, 'true_fraction': 0.5}, 'similarity_score': {'mean': 0.844851403}}, 'model_latency': {'mean': ...}}

​
ValidJSONScorer

ValidJSONScorer는 AI 시스템의 출력이 유효한 JSON인지 확인합니다. 이 scorer는 출력이 JSON 형식이기를 기대하고 그 유효성을 검증해야 할 때 유용합니다. 
from weave.scorers import ValidJSONScorer

json_scorer = ValidJSONScorer()
다음은 평가 컨텍스트에서의 사용 예시입니다. 
import asyncio
import weave
from weave.scorers import ValidJSONScorer

class JSONModel(weave.Model):
    @weave.op()
    async def predict(self, input: str) -> str:
        # 이 부분은 플레이스홀더입니다.
        # 실제 시나리오에서는 JSON을 생성합니다.
        return '{"key": "value"}'

model = JSONModel()
json_scorer = ValidJSONScorer()

dataset = [
    {"input": "Generate a JSON object with a key and value"},
    {"input": "Create an invalid JSON"}
]

evaluation = weave.Evaluation(dataset=dataset, scorers=[json_scorer])
results = asyncio.run(evaluation.evaluate(model))
print(results)
# 출력 예시:
# {'ValidJSONScorer': {'json_valid': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}

​
ValidXMLScorer

ValidXMLScorer는 AI 시스템의 출력이 유효한 XML인지 확인합니다. XML 형식의 출력을 기대할 때 유용합니다. 
from weave.scorers import ValidXMLScorer

xml_scorer = ValidXMLScorer()
다음은 평가 컨텍스트에서의 사용 예시입니다. 
import asyncio
import weave
from weave.scorers import ValidXMLScorer

class XMLModel(weave.Model):
    @weave.op()
    async def predict(self, input: str) -> str:
        # 이 부분은 플레이스홀더입니다. 실제 시나리오에서는 XML을 생성합니다.
        return '<root><element>value</element></root>'

model = XMLModel()
xml_scorer = ValidXMLScorer()

dataset = [
    {"input": "Generate a valid XML with a root element"},
    {"input": "Create an invalid XML"}
]

evaluation = weave.Evaluation(dataset=dataset, scorers=[xml_scorer])
results = asyncio.run(evaluation.evaluate(model))
print(results)
# 출력 예시:
# {'ValidXMLScorer': {'xml_valid': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}

​
PydanticScorer

PydanticScorer는 AI 시스템의 출력을 Pydantic 모델에 대해 유효성을 검사하여 지정된 스키마 또는 데이터 구조를 준수하는지 확인합니다. 
from weave.scorers import PydanticScorer
from pydantic import BaseModel

class FinancialReport(BaseModel):
    revenue: int
    year: str

pydantic_scorer = PydanticScorer(model=FinancialReport)

​
RAGAS - ContextEntityRecallScorer

ContextEntityRecallScorer는 AI 시스템의 출력과 제공된 컨텍스트 모두에서 엔티티를 추출한 다음 재현율(recall) 점수를 계산하여 컨텍스트 재현율을 추정합니다. 이는 RAGAS 평가 라이브러리를 기반으로 합니다. 
from weave.scorers import ContextEntityRecallScorer

entity_recall_scorer = ContextEntityRecallScorer(
    model_id="openai/gpt-4o"
)
작동 방식:
  • LLM을 사용하여 출력 및 컨텍스트에서 고유 엔티티를 추출하고 재현율을 계산합니다.
  • **재현율 (Recall)**은 컨텍스트의 중요한 엔티티 중 출력에 캡처된 비율을 나타냅니다.
  • 재현율 점수가 포함된 사전을 반환합니다.
안내:
  • 데이터셋에 context 컬럼이 있어야 합니다. 컬럼 이름이 다른 경우 column_map 속성을 사용하세요.

​
RAGAS - ContextRelevancyScorer

ContextRelevancyScorer는 제공된 컨텍스트가 AI 시스템의 출력과 얼마나 관련이 있는지 평가합니다. 이는 RAGAS 평가 라이브러리를 기반으로 합니다. 
from weave.scorers import ContextRelevancyScorer

relevancy_scorer = ContextRelevancyScorer(
    model_id="openai/gpt-4o",  # 또는 litellm이 지원하는 다른 모델
    relevancy_prompt="""
Given the following question and context, rate the relevancy of the context to the question on a scale from 0 to 1.

Question: {question}
Context: {context}
Relevancy Score (0-1):
"""
)
작동 방식:
  • LLM을 사용하여 컨텍스트와 출력의 관련성을 0에서 1 사이의 척도로 평가합니다.
  • relevancy_score가 포함된 사전을 반환합니다.
안내:
  • 데이터셋에 context 컬럼이 있어야 합니다. 컬럼 이름이 다른 경우 column_map 속성을 사용하세요.
  • relevancy_prompt를 커스터마이징하여 관련성 평가 방식을 정의할 수 있습니다.
다음은 평가 컨텍스트에서의 사용 예시입니다. 
import asyncio
from textwrap import dedent
import weave
from weave.scorers import ContextEntityRecallScorer, ContextRelevancyScorer

class RAGModel(weave.Model):
    @weave.op()
    async def predict(self, question: str) -> str:
        "관련 컨텍스트 검색"
        return "Paris is the capital of France."

# 프롬프트 정의
relevancy_prompt: str = dedent("""
    Given the following question and context, rate the relevancy of the context to the question on a scale from 0 to 1.

    Question: {question}
    Context: {context}
    Relevancy Score (0-1):
    """)
# scorer 초기화
entity_recall_scorer = ContextEntityRecallScorer()
relevancy_scorer = ContextRelevancyScorer(relevancy_prompt=relevancy_prompt)
# 데이터셋 생성
dataset = [
    {
        "question": "What is the capital of France?",
        "context": "Paris is the capital city of France."
    },
    {
        "question": "Who wrote Romeo and Juliet?",
        "context": "William Shakespeare wrote many famous plays."
    }
]
# 평가 실행
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[entity_recall_scorer, relevancy_scorer]
)
results = asyncio.run(evaluation.evaluate(RAGModel()))
print(results)
# 출력 예시:
# {'ContextEntityRecallScorer': {'recall': {'mean': ...}}, 
# 'ContextRelevancyScorer': {'relevancy_score': {'mean': ...}}, 
# 'model_latency': {'mean': ...}}
참고: 내장된 scorer들은 openai/gpt-4o 및 openai/text-embedding-3-small과 같은 OpenAI 모델을 사용하여 보정되었습니다. 다른 제공업체의 모델을 실험해보고 싶다면 model_id 필드를 업데이트하여 다른 모델을 사용할 수 있습니다. 예를 들어, Anthropic 모델을 사용하려면 다음과 같이 합니다. 
from weave.scorers import SummarizationScorer

# Anthropic의 Claude 모델로 전환
summarization_scorer = SummarizationScorer(
    model_id="anthropic/claude-3-5-sonnet-20240620"
)