Introdução à avaliação de respostas em um aplicativo de bate-papo em Python

Este artigo mostra como avaliar as respostas de um aplicativo de bate-papo em relação a um conjunto de respostas corretas ou ideais (conhecidas como verdade básica). Sempre que você alterar seu aplicativo de bate-papo de uma forma que afete as respostas, execute uma avaliação para comparar as alterações. Este aplicativo de demonstração oferece ferramentas que você pode usar hoje para facilitar a execução de avaliações.

Seguindo as instruções neste artigo, você irá:

• Use prompts de exemplo fornecidos adaptados ao domínio do assunto. Esses prompts já estão no repositório.
• Gere exemplos de perguntas do usuário e fundamente respostas verdadeiras a partir de seus próprios documentos.
• Execute avaliações usando um prompt de exemplo com as perguntas do usuário geradas.
• Revisão da análise das respostas.

Descrição geral da arquitetura

Os principais componentes da arquitetura incluem:

• Aplicativo de chat hospedado no Azure: o aplicativo de chat é executado no Serviço de Aplicativo do Azure.
• O Microsoft AI Chat Protocol fornece contratos de API padronizados em soluções e idiomas de IA. O aplicativo de bate-papo está em conformidade com o Microsoft AI Chat Protocol, que permite que o aplicativo de avaliações seja executado em qualquer aplicativo de bate-papo que esteja em conformidade com o protocolo.
• Azure AI Search: O aplicativo de bate-papo usa o Azure AI Search para armazenar os dados de seus próprios documentos.
• Gerador de perguntas de exemplo: Pode gerar muitas perguntas para cada documento, juntamente com a resposta da verdade básica. Quanto mais perguntas, mais longa será a avaliação.
• O avaliador executa exemplos de perguntas e solicita no aplicativo de bate-papo e retorna os resultados.
• A ferramenta de revisão permite rever os resultados das avaliações.
• A ferramenta Diff permite comparar as respostas entre as avaliações.

Quando você implanta essa avaliação no Azure, o ponto de extremidade do Azure OpenAI é criado para o GPT-4 modelo com sua própria capacidade. Ao avaliar aplicações de chat, é importante que o avaliador tenha seu próprio recurso OpenAI usando GPT-4 com sua própria capacidade.

Pré-requisitos

• Subscrição do Azure. Crie um gratuitamente

• Acesso concedido ao Azure OpenAI na subscrição pretendida do Azure. Saiba mais em https://aka.ms/oai/access.

• Conclua o procedimento anterior do aplicativo de chat para implantar o aplicativo de chat no Azure. Este recurso é necessário para que o aplicativo de avaliações funcione. Não conclua a seção Recursos de limpeza do procedimento anterior.

  Você precisará das seguintes informações de recursos do Azure dessa implantação, que são conhecidas como o aplicativo de chat neste artigo:

  • URI da API de chat: o ponto de extremidade de back-end de serviço mostrado no final do azd up processo.
  • Azure AI Search. Os seguintes valores são necessários:
    • Nome do recurso: o nome do recurso Azure AI Search, relatado como Search service durante o azd up processo.
    • Nome do índice: o nome do índice do Azure AI Search onde seus documentos estão armazenados. Isso pode ser encontrado no Portal do Azure para o serviço de Pesquisa.

  O URL da API de Chat permite que as avaliações façam solicitações por meio de seu aplicativo de back-end. As informações do Azure AI Search permitem que os scripts de avaliação usem a mesma implantação que seu back-end, carregado com os documentos.

  Depois de coletar essas informações, você não precisará usar o ambiente de desenvolvimento de aplicativos de bate-papo novamente. É referido mais adiante neste artigo várias vezes para indicar como o aplicativo de bate-papo é usado pelo aplicativo Avaliações. Não exclua os recursos do aplicativo de bate-papo até concluir todo o procedimento neste artigo.

• Um ambiente de contêiner de desenvolvimento está disponível com todas as dependências necessárias para concluir este artigo. Você pode executar o contêiner de desenvolvimento no GitHub Codespaces (em um navegador) ou localmente usando o Visual Studio Code.

  • Codespaces (recomendado)
  • Visual Studio Code

  • Conta do GitHub

Ambiente de desenvolvimento aberto

Comece agora com um ambiente de desenvolvimento que tenha todas as dependências instaladas para concluir este artigo. Você deve organizar o espaço de trabalho do monitor para que possa ver essa documentação e o ambiente de desenvolvimento ao mesmo tempo.

Este artigo foi testado com a switzerlandnorth região para a implantação da avaliação.

Preparar valores de ambiente e informações de configuração

Atualize os valores do ambiente e as informações de configuração com as informações coletadas durante os Pré-requisitos para o aplicativo de avaliações.

1. Crie um .env ficheiro com base em .env.sample:

   cp .env.sample .env
   

2. Execute estes comandos para obter os valores necessários para AZURE_OPENAI_EVAL_DEPLOYMENT e AZURE_OPENAI_SERVICE do seu grupo de recursos implantado e cole esses valores no .env arquivo:

   azd env get-value AZURE_OPENAI_EVAL_DEPLOYMENT
   azd env get-value AZURE_OPENAI_SERVICE
   

3. Adicione os seguintes valores do aplicativo de chat para sua instância do Azure AI Search ao .env, que você reuniu na seção de pré-requisitos:

   AZURE_SEARCH_SERVICE="<service-name>"
   AZURE_SEARCH_INDEX="<index-name>"
   

Use o Microsoft AI Chat Protocol para obter informações de configuração

O aplicativo de bate-papo e o aplicativo de avaliações implementam o Microsoft AI Chat Protocol specificationcontrato de API de ponto final de IA de código aberto, nuvem e linguagem agnóstica usada para consumo e avaliação. Quando seu cliente e endpoints de camada intermediária aderem a essa especificação de API, você pode consumir e executar avaliações consistentemente em seus back-ends de IA.

1. Crie um novo arquivo com o nome my_config.json e copie o seguinte conteúdo para ele:

   {
       "testdata_path": "my_input/qa.jsonl",
       "results_dir": "my_results/experiment<TIMESTAMP>",
       "target_url": "http://localhost:50505/chat",
       "target_parameters": {
           "overrides": {
               "top": 3,
               "temperature": 0.3,
               "retrieval_mode": "hybrid",
               "semantic_ranker": false,
               "prompt_template": "<READFILE>my_input/prompt_refined.txt",
               "seed": 1
           }
       }
   }
   

   O script de avaliação cria a my_results pasta.

   O overrides objeto contém todas as definições de configuração necessárias para o aplicativo. Cada aplicativo define seu próprio conjunto de propriedades de configurações.

2. Use a tabela a seguir para entender o significado das propriedades de configurações que são enviadas para o aplicativo de chat:

   Propriedade Settings	Description
   semantic_ranker	Se deve usar o classificador semântico, um modelo que reclassifica os resultados da pesquisa com base na semelhança semântica com a consulta do usuário. Nós o desativamos para este tutorial para reduzir custos.
   retrieval_mode	O modo de recuperação a ser usado. A predefinição é hybrid.
   temperatura	A configuração de temperatura para o modelo. A predefinição é 0.3.
   principal	O número de resultados da pesquisa a serem retornados. A predefinição é 3.
   prompt_template	Uma substituição do prompt usado para gerar a resposta com base na pergunta e nos resultados da pesquisa.
   sementes	O valor seed para quaisquer chamadas para modelos GPT. A definição de uma semente resulta em resultados mais consistentes em todas as avaliações.

3. Altere o target_url para o valor de URI do seu aplicativo de chat, que você reuniu na seção de pré-requisitos. O aplicativo de bate-papo deve estar em conformidade com o protocolo de bate-papo. O URI tem o seguinte formato https://CHAT-APP-URL/chat. Verifique se o protocolo e a chat rota fazem parte do URI.

Gerar dados de exemplo

Para avaliar novas respostas, elas devem ser comparadas a uma resposta de "verdade fundamental", que é a resposta ideal para uma determinada pergunta. Gere perguntas e respostas a partir de documentos armazenados na Pesquisa de IA do Azure para a aplicação de chat.

1. Copie a example_input pasta para uma nova pasta com omy_input nome.

2. Em um terminal, execute o seguinte comando para gerar os dados de exemplo:

   python -m evaltools generate --output=my_input/qa.jsonl --persource=2 --numquestions=14
   

Os pares pergunta/resposta são gerados e armazenados ( my_input/qa.jsonl em formato JSONL) como entrada para o avaliador usado na próxima etapa. Para uma avaliação de produção, você geraria mais pares de QA, mais de 200 para esse conjunto de dados.

Execute a primeira avaliação com um prompt refinado

1. Edite as propriedades do my_config.json arquivo de configuração:

   Property	Novo valor
   results_dir	my_results/experiment_refined
   prompt_template	<READFILE>my_input/prompt_refined.txt

   O prompt refinado é específico sobre o domínio do assunto.

   If there isn't enough information below, say you don't know. Do not generate answers that don't use the sources below. If asking a clarifying question to the user would help, ask the question.
   
   Use clear and concise language and write in a confident yet friendly tone. In your answers ensure the employee understands how your response connects to the information in the sources and include all citations necessary to help the employee validate the answer provided.
   
   For tabular information return it as an html table. Do not return markdown format. If the question is not in English, answer in the language used in the question.
   
   Each source has a name followed by colon and the actual information, always include the source name for each fact you use in the response. Use square brackets to reference the source, e.g. [info1.txt]. Don't combine sources, list each source separately, e.g. [info1.txt][info2.pdf].
   

2. Em um terminal, execute o seguinte comando para executar a avaliação:

   python -m evaltools evaluate --config=my_config.json --numquestions=14
   

   Este script criou uma nova pasta de experimento com my_results/ a avaliação. A pasta contém os resultados da avaliação, incluindo:

   Nome de Ficheiro	Description
   config.json	Uma cópia do arquivo de configuração usado para a avaliação.
   evaluate_parameters.json	Os parâmetros utilizados para a avaliação. Muito semelhante, config.json mas inclui metadados adicionais, como carimbo de data/hora.
   eval_results.jsonl	Cada pergunta e resposta, juntamente com as métricas GPT para cada par de QA.
   summary.json	Os resultados gerais, como as métricas médias de GPT.

Execute a segunda avaliação com um prompt fraco

1. Edite as propriedades do my_config.json arquivo de configuração:

   Property	Novo valor
   results_dir	my_results/experiment_weak
   prompt_template	<READFILE>my_input/prompt_weak.txt

   Esse prompt fraco não tem contexto sobre o domínio do assunto:

   You are a helpful assistant.
   

2. Em um terminal, execute o seguinte comando para executar a avaliação:

   python -m evaltools evaluate --config=my_config.json --numquestions=14
   

Executar a terceira avaliação com uma temperatura específica

Use um prompt que permita mais criatividade.

1. Edite as propriedades do my_config.json arquivo de configuração:

   Existente	Property	Novo valor
   Existente	results_dir	my_results/experiment_ignoresources_temp09
   Existente	prompt_template	<READFILE>my_input/prompt_ignoresources.txt
   Novo	temperatura	0.9

   O padrão temperature é 0.7. Quanto maior a temperatura, mais criativas são as respostas.

   O ignore prompt é curto:

   Your job is to answer questions to the best of your ability. You will be given sources but you should IGNORE them. Be creative!
   

2. O objeto config deve ter a seguinte aparência, exceto substituir results_dir pelo caminho:

   {
       "testdata_path": "my_input/qa.jsonl",
       "results_dir": "my_results/prompt_ignoresources_temp09",
       "target_url": "https://YOUR-CHAT-APP/chat",
       "target_parameters": {
           "overrides": {
               "temperature": 0.9,
               "semantic_ranker": false,
               "prompt_template": "<READFILE>my_input/prompt_ignoresources.txt"
           }
       }
   }
   

3. Em um terminal, execute o seguinte comando para executar a avaliação:

   python -m evaltools evaluate --config=my_config.json --numquestions=14
   

Rever os resultados da avaliação

Você executou três avaliações com base em diferentes prompts e configurações do aplicativo. Os resultados são armazenados na my_results pasta. Analise como os resultados diferem com base nas configurações.

1. Use a ferramenta de revisão para ver os resultados das avaliações:

   python -m evaltools summary my_results
   

2. Os resultados são algo como:

   

   Cada valor é retornado como um número e uma porcentagem.

3. Use a tabela a seguir para entender o significado dos valores.

   valor	Description
   Fundamentação	Isto refere-se à forma como as respostas do modelo se baseiam em informações factuais e verificáveis. Uma resposta é considerada fundamentada se for factualmente precisa e refletir a realidade.
   Relevância	Isso mede o quanto as respostas do modelo se alinham com o contexto ou o prompt. Uma resposta relevante aborda diretamente a consulta ou instrução do usuário.
   Coerência	Isto refere-se à consistência lógica das respostas do modelo. Uma resposta coerente mantém um fluxo lógico e não se contradiz.
   Citação	Isso indica se a resposta foi retornada no formato solicitado no prompt.
   Duração	Isto mede a duração da resposta.

4. Os resultados devem indicar que as três avaliações tiveram alta relevância, enquanto a menor experiment_ignoresources_temp09 relevância.

5. Selecione a pasta para ver a configuração para a avaliação.

6. Digite Ctrl + C, saia do aplicativo e retorne ao terminal.

Compare as respostas

Compare as respostas retornadas das avaliações.

1. Selecione duas das avaliações para comparar e, em seguida, use a mesma ferramenta de revisão para comparar as respostas:

   python -m evaltools diff my_results/experiment_refined my_results/experiment_ignoresources_temp09
   

2. Reveja os resultados. Os resultados podem variar.

   

3. Digite Ctrl + C, saia do aplicativo e retorne ao terminal.

Sugestões para avaliações posteriores

• Edite os prompts para my_input personalizar as respostas, como domínio do assunto, comprimento e outros fatores.
• Edite o my_config.json arquivo para alterar os parâmetros, como temperature, e semantic_ranker execute experimentos novamente.
• Compare respostas diferentes para entender como o prompt e a pergunta afetam a qualidade da resposta.
• Gere um conjunto separado de perguntas e fundamente respostas verdadeiras para cada documento no índice Azure AI Search . Em seguida, execute novamente as avaliações para ver como as respostas diferem.
• Altere os prompts para indicar respostas mais curtas ou mais longas adicionando o requisito ao final do prompt. Por exemplo, Please answer in about 3 sentences..

Limpar recursos e dependências

Limpar recursos do Azure

Os recursos do Azure criados neste artigo são cobrados na sua assinatura do Azure. Se você não espera precisar desses recursos no futuro, exclua-os para evitar incorrer em mais cobranças.

Para excluir os recursos do Azure e remover o código-fonte, execute o seguinte comando da CLI do Desenvolvedor do Azure:

azd down --purge

Limpar espaços de código do GitHub

Volte ao artigo do aplicativo de bate-papo para limpar esses recursos.

• JavaScript
• Python

Próximos passos

• Repositório de avaliações
• Aplicativo de bate-papo corporativo repositório GitHub
• Crie um aplicativo de bate-papo com a arquitetura de solução de práticas recomendadas do Azure OpenAI
• Controle de acesso em aplicativos de IA generativa com o Azure AI Search
• Crie uma solução OpenAI pronta para empresas com o Azure API Management
• Superando a pesquisa vetorial com recursos híbridos de recuperação e classificação