Esegui la pipeline AutoSxS per eseguire la valutazione basata su coppie di modelli

Questa pagina spiega come eseguire la valutazione basata su modelli a coppie utilizzando AutoSxS, uno strumento che viene eseguito tramite il servizio di pipeline di valutazione. Ti spieghiamo come utilizzare AutoSxS tramite l'API Agent Platform, l'SDK Agent Platform per Python o la console Google Cloud .

AutoSxS

Automatic Side-by-Side (AutoSxS) è uno strumento di valutazione basato su modelli a coppie che viene eseguito tramite il servizio di pipeline di valutazione. AutoSxS può essere utilizzato per valutare le prestazioni dei modelli di AI generativa in Model Registry di Gemini Enterprise Agent Platform o delle previsioni pregenerate, il che consente di supportare i foundation model di Gemini Enterprise Agent Platform, i modelli di AI generativa ottimizzati e i modelli linguistici di terze parti. AutoSxS utilizza un valutatore automatico per decidere quale modello fornisce la risposta migliore a un prompt. È disponibile on demand e valuta i modelli linguistici con prestazioni paragonabili a quelle dei valutatori umani.

Lo strumento di valutazione automatica

A livello generale, il diagramma mostra come AutoSxS confronta le previsioni dei modelli A e B con un terzo modello, lo strumento di valutazione automatica.

Panoramica del funzionamento di AutoSxS

I modelli A e B ricevono i prompt di input e ciascun modello genera risposte che vengono inviate allo strumento di valutazione automatica. Analogamente a un valutatore umano, un valutatore automatico è un modello linguistico che valuta la qualità delle risposte del modello in base a un prompt di inferenza originale. Con AutoSxS, il valutatore automatico confronta la qualità delle risposte di due modelli in base alla loro istruzione di inferenza utilizzando un insieme di criteri. I criteri vengono utilizzati per determinare quale modello ha avuto le prestazioni migliori mediante il confronto dei risultati del Modello A con quelli del Modello B. Il valutatore automatico restituisce le preferenze di risposta come metriche aggregate e restituisce spiegazioni delle preferenze e punteggi di affidabilità per ogni esempio. Per saperne di più, consulta la tabella dei giudizi.

Modelli supportati

AutoSxS supporta la valutazione di qualsiasi modello quando vengono fornite previsioni pregenerate. AutoSxS supporta anche la generazione automatica di risposte per qualsiasi modello in Model Registry di Gemini Enterprise Agent Platform che supporta la previsione in batch su Gemini Enterprise Agent Platform.

Se il tuo modello di testo non è supportato da Model Registry di Gemini Enterprise Agent Platform, AutoSxS accetta anche previsioni pregenerate archiviate come JSONL in Cloud Storage o in una tabella BigQuery. Per i prezzi, consulta Generazione di testo.

Attività e criteri supportati

AutoSxS supporta la valutazione dei modelli per le attività di riassunto e risposta alle domande. I criteri di valutazione sono predefiniti per ogni attività, il che rende la valutazione linguistica più oggettiva e migliora la qualità delle risposte.

I criteri sono elencati per attività.

Riassunto

L'attività summarization ha un limite di 4096 token di input.

Di seguito è riportato l'elenco dei criteri di valutazione per summarization:

Criteri
1. Segue le istruzioni In che misura la risposta del modello dimostra una comprensione dell'istruzione del prompt?
2. Grounded La risposta include solo informazioni provenienti dal contesto di inferenza e dall'istruzione di inferenza?
3. Completo In che misura il modello acquisisce i dettagli chiave nel riepilogo?
4. Breve Il riassunto è prolisso? Include un linguaggio fiorito? È troppo conciso?

Risposta alla domanda

L'attività question_answering ha un limite di 4096 token di input.

Di seguito è riportato l'elenco dei criteri di valutazione per question_answering:

Criteri
1. Risponde completamente alla domanda La risposta risponde completamente alla domanda.
2. Grounded La risposta include solo informazioni provenienti dal contesto delle istruzioni e dall'istruzione di inferenza?
3. Pertinenza Il contenuto della risposta è pertinente alla domanda?
4. Completo In che misura il modello acquisisce i dettagli chiave della domanda?

Prepara il set di dati di valutazione per AutoSxS

Questa sezione descrive in dettaglio i dati da fornire nel set di dati di valutazione AutoSxS e le best practice per la creazione del set di dati. Gli esempi devono rispecchiare gli input reali che i modelli potrebbero incontrare in produzione e mostrare al meglio il comportamento dei modelli attivi.

Formato del set di dati

AutoSxS accetta un singolo set di dati di valutazione con uno schema flessibile. Il set di dati può essere una tabella BigQuery o essere archiviato come JSON Lines in Cloud Storage.

Ogni riga del set di dati di valutazione rappresenta un singolo esempio e le colonne sono una delle seguenti:

  • Colonne ID: utilizzate per identificare ogni esempio univoco.
  • Colonne di dati: utilizzate per compilare i template di prompt. Consulta Parametri dei prompt
  • Previsioni pregenerate: previsioni effettuate dallo stesso modello utilizzando lo stesso prompt. L'utilizzo di previsioni pregenerate consente di risparmiare tempo e risorse.
  • Preferenze umane basate su dati di fatto: utilizzate per confrontare AutoSxS con i dati sulle preferenze basate su dati di fatto quando vengono fornite previsioni pregenerate per entrambi i modelli.

Ecco un esempio di set di dati di valutazione in cui context e question sono colonne di dati e model_b_response contiene previsioni pregenerate.

context question model_b_response
Alcuni potrebbero pensare che l'acciaio o il titanio siano i materiali più duri, ma in realtà è il diamante. Qual è il materiale più duro? Il diamante è il materiale più duro. È più duro dell'acciaio o del titanio.

Per saperne di più su come chiamare AutoSxS, consulta Esegui la valutazione del modello. Per informazioni dettagliate sulla lunghezza dei token, consulta Attività e criteri supportati. Per caricare i dati in Cloud Storage, consulta Carica il set di dati di valutazione in Cloud Storage.

Parametri dei prompt

Molti modelli linguistici accettano parametri di prompt come input anziché una singola stringa di prompt. Ad esempio, chat-bison accetta diversi parametri del prompt (messages, examples, context), che costituiscono parti del prompt. Tuttavia, text-bison ha un solo parametro del prompt, denominato prompt, che contiene l'intero prompt.

Descriviamo come puoi specificare in modo flessibile i parametri dei prompt del modello in fase di inferenza e valutazione. AutoSxS ti offre la flessibilità di chiamare modelli linguistici con input previsti variabili tramite parametri di prompt basati su modelli.

Inferenza

Se uno dei modelli non ha previsioni pregenerate, AutoSxS utilizza la previsione in batch di Gemini Enterprise Agent Platform per generare le risposte. Devono essere specificati i parametri del prompt di ogni modello.

In AutoSxS, puoi fornire una singola colonna nel set di dati di valutazione come parametro del prompt.

{'some_parameter': {'column': 'my_column'}}

In alternativa, puoi definire i template utilizzando le colonne del set di dati di valutazione come variabili per specificare i parametri del prompt:

{'some_parameter': {'template': 'Summarize the following: {{ my_column }}.'}}

Quando forniscono i parametri del prompt del modello per l'inferenza, gli utenti possono utilizzare la parola chiave protetta default_instruction come argomento del template, che viene sostituita con l'istruzione di inferenza predefinita per l'attività specificata:

model_prompt_parameters = {
        'prompt': {'template': '{{ default_instruction }}: {{ context }}'},
}

Se generi previsioni, fornisci i parametri del prompt del modello e una colonna di output. Vedi i seguenti esempi:

Gemini

Per i modelli Gemini, le chiavi per i parametri dei prompt del modello sono contents (obbligatoria) e system_instruction (facoltativa), che corrispondono allo schema del corpo della richiesta di Gemini.

model_a_prompt_parameters={
    'contents': {
        'column': 'context'
    },
    'system_instruction': {'template': '{{ default_instruction }}'},
},

text-bison

Ad esempio, text-bison utilizza "prompt" per l'input e "content" per l'output. Segui questi passaggi:

  1. Identifica gli input e gli output necessari per i modelli in fase di valutazione.
  2. Definisci gli input come parametri del prompt del modello.
  3. Passa l'output alla colonna di risposta.
model_a_prompt_parameters={
    'prompt': {
        'template': {
            'Answer the following question from the point of view of a college professor: {{ context }}\n{{ question }}'
        },
    },
},
response_column_a='content',  # Column in Model A response.
response_column_b='model_b_response',  # Column in eval dataset.

Valutazione

Così come devi fornire i parametri del prompt per l'inferenza, devi fornire anche i parametri del prompt per la valutazione. Il valutatore automatico richiede i seguenti parametri del prompt:

Parametro del prompt dello strumento di valutazione automatica Configurabile dall'utente? Descrizione Esempio
Istruzione dello strumento di valutazione automatica No Un'istruzione calibrata che descrive i criteri che lo strumento di valutazione automatica deve utilizzare per valutare le risposte fornite. Scegli la risposta che risponde alla domanda e segue meglio le istruzioni.
Istruzione di inferenza Sì Una descrizione dell'attività che ogni modello candidato dovrebbe eseguire. Rispondi con precisione alla domanda: qual è il materiale più duro?
Contesto di inferenza Sì Contesto aggiuntivo per l'attività che viene eseguita. Mentre il titanio e il diamante sono entrambi più duri del rame: il diamante ha una durezza di 98, mentre il titanio ha una classificazione di 36. Una classificazione più elevata indica una durezza maggiore.
Risposte No1 Una coppia di risposte da valutare, una per ogni modello candidato. Diamante

1Puoi configurare il parametro prompt solo tramite risposte pregenerate.

Codice campione che utilizza i parametri:

autorater_prompt_parameters={
    'inference_instruction': {
        'template': 'Answer the following question from the point of view of a college professor: {{ question }}.'
    },
    'inference_context': {
        'column': 'context'
    }
}

I modelli A e B possono avere istruzioni e contesto di inferenza formattati in modo diverso, indipendentemente dal fatto che vengano fornite o meno le stesse informazioni. Ciò significa che il valutatore automatico accetta un'istruzione e un contesto di inferenza separati, ma singoli.

Esempio di set di dati di valutazione

Questa sezione fornisce un esempio di set di dati di valutazione delle attività di domanda e risposta, incluse le previsioni pregenerate per il modello B. In questo esempio, AutoSxS esegue l'inferenza solo per il modello A. Forniamo una colonna id per distinguere gli esempi con la stessa domanda e lo stesso contesto.

{
  "id": 1,
  "question": "What is the hardest material?",
  "context": "Some might think that steel is the hardest material, or even titanium. However, diamond is actually the hardest material.",
  "model_b_response": "Diamond is the hardest material. It is harder than steel or titanium."
}
{
  "id": 2,
  "question": "What is the highest mountain in the world?",
  "context": "K2 and Everest are the two tallest mountains, with K2 being just over 28k feet and Everest being 29k feet tall.",
  "model_b_response": "Mount Everest is the tallest mountain, with a height of 29k feet."
}
{
  "id": 3,
  "question": "Who directed The Godfather?",
  "context": "Mario Puzo and Francis Ford Coppola co-wrote the screenplay for The Godfather, and the latter directed it as well.",
  "model_b_response": "Francis Ford Coppola directed The Godfather."
}
{
  "id": 4,
  "question": "Who directed The Godfather?",
  "context": "Mario Puzo and Francis Ford Coppola co-wrote the screenplay for The Godfather, and the latter directed it as well.",
  "model_b_response": "John Smith."
}

Best practice

Segui queste best practice quando definisci il set di dati di valutazione:

  • Fornisci esempi che rappresentino i tipi di input che i tuoi modelli elaborano in produzione.
  • Il set di dati deve includere almeno un esempio di valutazione. Ti consigliamo di utilizzare circa 100 esempi per garantire metriche aggregate di alta qualità. Il tasso di miglioramento della qualità delle metriche aggregate tende a diminuire quando vengono forniti più di 400 esempi.
  • Per una guida alla scrittura dei prompt, consulta Progetta prompt di testo.
  • Se utilizzi previsioni pregenerate per uno dei due modelli, includile in una colonna del set di dati di valutazione. Fornire previsioni pregenerate è utile perché ti consente di confrontare l'output dei modelli che non si trovano in Vertex Model Registry e di riutilizzare le risposte.

Esegui la valutazione del modello

Puoi valutare i modelli utilizzando l'API REST, l'SDK Agent Platform per Python o la consoleGoogle Cloud .

Utilizza questa sintassi per specificare il percorso del modello:

  • Modello del publisher: publishers/PUBLISHER/models/MODEL Esempio: publishers/google/models/text-bison

  • Modello ottimizzato: projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL@VERSION Esempio: projects/123456789012/locations/us-central1/models/1234567890123456789

REST

Per creare un job di valutazione del modello, invia una richiesta POST utilizzando il metodo pipelineJobs.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

  • PIPELINEJOB_DISPLAYNAME : nome visualizzato per pipelineJob.
  • PROJECT_ID: il progetto Google Cloud che esegue i componenti della pipeline.
  • LOCATION : la regione in cui eseguire i componenti della pipeline. us-central1 è supportato.
  • OUTPUT_DIR : URI Cloud Storage per archiviare l'output della valutazione.
  • EVALUATION_DATASET : tabella BigQuery o elenco separato da virgole di percorsi Cloud Storage a un set di dati JSONL contenente esempi di valutazione.
  • TASK : attività di valutazione, che può essere una di [summarization, question_answering].
  • ID_COLUMNS : colonne che distinguono gli esempi di valutazione univoci.
  • AUTORATER_PROMPT_PARAMETERS : parametri del prompt del valutatore automatico mappati a colonne o modelli. I parametri previsti sono: inference_instruction (dettagli su come eseguire un'attività) e inference_context (contenuti a cui fare riferimento per eseguire l'attività). Ad esempio, {'inference_context': {'column': 'my_prompt'}} utilizza la colonna "my_prompt" del set di dati di valutazione per il contesto del valutatore automatico.
  • RESPONSE_COLUMN_A : il nome di una colonna nel set di dati di valutazione contenente previsioni predefinite o il nome della colonna nell'output del Modello A contenente le previsioni. Se non viene fornito alcun valore, il sistema tenterà di dedurre il nome corretto della colonna di output del modello.
  • RESPONSE_COLUMN_B : il nome di una colonna nel set di dati di valutazione contenente previsioni predefinite o il nome della colonna nell'output del Modello B contenente previsioni. Se non viene fornito alcun valore, il sistema tenterà di dedurre il nome corretto della colonna di output del modello.
  • MODEL_A (facoltativo): un nome completo della risorsa del modello (projects/{project}/locations/{location}/models/{model}@{version}) o un nome della risorsa del modello del publisher (publishers/{publisher}/models/{model}). Se vengono specificate le risposte del Modello A, questo parametro non deve essere fornito.
  • MODEL_B (facoltativo): un nome risorsa del modello completo (projects/{project}/locations/{location}/models/{model}@{version}) o un nome risorsa del modello del publisher (publishers/{publisher}/models/{model}). Se vengono specificate le risposte del Modello B, questo parametro non deve essere fornito.
  • MODEL_A_PROMPT_PARAMETERS (facoltativo): i parametri del template di prompt del modello A mappati a colonne o template. Se le risposte del Modello A sono predefinite, questo parametro non deve essere fornito. Esempio: {'prompt': {'column': 'my_prompt'}} utilizza la colonna my_prompt del set di dati di valutazione per il parametro del prompt denominato prompt.
  • MODEL_B_PROMPT_PARAMETERS (Facoltativo): i parametri del template di prompt del Modello B mappati a colonne o template. Se le risposte del Modello B sono predefinite, questo parametro non deve essere fornito. Esempio: {'prompt': {'column': 'my_prompt'}} utilizza la colonna my_prompt del set di dati di valutazione per il parametro del prompt denominato prompt.
  • (Facoltativo) JUDGMENTS_FORMAT : il formato in cui scrivere i giudizi. Può essere jsonl (predefinito), json o bigquery.
  • BIGQUERY_DESTINATION_PREFIX: tabella BigQuery in cui scrivere i giudizi se il formato specificato è bigquery.

Corpo JSON della richiesta

  {
    "displayName": "PIPELINEJOB_DISPLAYNAME",
    "runtimeConfig": {
        "gcsOutputDirectory": "gs://OUTPUT_DIR",
        "parameterValues": {
            "evaluation_dataset": "EVALUATION_DATASET",
            "id_columns": ["ID_COLUMNS"],
            "task": "TASK",
            "autorater_prompt_parameters": AUTORATER_PROMPT_PARAMETERS,
            "response_column_a": "RESPONSE_COLUMN_A",
            "response_column_b": "RESPONSE_COLUMN_B",
            "model_a": "MODEL_A",
            "model_a_prompt_parameters": MODEL_A_PROMPT_PARAMETERS,
            "model_b": "MODEL_B",
            "model_b_prompt_parameters": MODEL_B_PROMPT_PARAMETERS,
            "judgments_format": "JUDGMENTS_FORMAT",
            "bigquery_destination_prefix":BIGQUERY_DESTINATION_PREFIX,
        },
    },
    "templateUri": "https://us-kfp.pkg.dev/ml-pipeline/google-cloud-registry/autosxs-template/default"
  }

Utilizza curl per inviare la richiesta.

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/pipelineJobs"

Risposta

  "state": "PIPELINE_STATE_PENDING",
  "labels": {
    "vertex-ai-pipelines-run-billing-id": "1234567890123456789"
  },
  "runtimeConfig": {
    "gcsOutputDirectory": "gs://my-evaluation-bucket/output",
    "parameterValues": {
      "evaluation_dataset": "gs://my-evaluation-bucket/output/data.json",
      "id_columns": [
        "context"
      ],
      "task": "question_answering",
      "autorater_prompt_parameters": {
        "inference_instruction": {
          "template": "Answer the following question: {{ question }} }."
        },
        "inference_context": {
          "column": "context"
        }
      },
      "response_column_a": "",
      "response_column_b": "response_b",
      "model_a": "publishers/google/models/text-bison@002",
      "model_a_prompt_parameters": {
        "prompt": {
          "template": "Answer the following question from the point of view of a college professor: {{ question }}\n{{ context }} }"
        }
      },
      "model_b": "",
      "model_b_prompt_parameters": {}
    }
  },
  "serviceAccount": "123456789012-compute@developer.gserviceaccount.com",
  "templateUri": "https://us-kfp.pkg.dev/ml-pipeline/google-cloud-registry/autosxs-template/default",
  "templateMetadata": {
    "version": "sha256:7366b784205551ed28f2c076e841c0dbeec4111b6df16743fc5605daa2da8f8a"
  }
}

SDK Agent Platform per Python

Per scoprire come installare o aggiornare l'SDK Agent Platform per Python, consulta Installa l'SDK Agent Platform per Python. Per saperne di più sull'API Python, consulta l'API SDK Agent Platform per Python.

Per saperne di più sui parametri della pipeline, consulta la documentazione di riferimento dei componenti della pipeline di Google Cloud.

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

  • PIPELINEJOB_DISPLAYNAME : nome visualizzato per pipelineJob.
  • PROJECT_ID: il progetto Google Cloud che esegue i componenti della pipeline.
  • LOCATION : la regione in cui eseguire i componenti della pipeline. us-central1 è supportato.
  • OUTPUT_DIR : URI Cloud Storage per archiviare l'output della valutazione.
  • EVALUATION_DATASET : tabella BigQuery o elenco separato da virgole di percorsi Cloud Storage a un set di dati JSONL contenente esempi di valutazione.
  • TASK : attività di valutazione, che può essere una di [summarization, question_answering].
  • ID_COLUMNS : colonne che distinguono gli esempi di valutazione univoci.
  • AUTORATER_PROMPT_PARAMETERS : parametri del prompt del valutatore automatico mappati a colonne o modelli. I parametri previsti sono: inference_instruction (dettagli su come eseguire un'attività) e inference_context (contenuti a cui fare riferimento per eseguire l'attività). Ad esempio, {'inference_context': {'column': 'my_prompt'}} utilizza la colonna "my_prompt" del set di dati di valutazione per il contesto del valutatore automatico.
  • RESPONSE_COLUMN_A : il nome di una colonna nel set di dati di valutazione contenente previsioni predefinite o il nome della colonna nell'output del Modello A contenente le previsioni. Se non viene fornito alcun valore, il sistema tenterà di dedurre il nome corretto della colonna di output del modello.
  • RESPONSE_COLUMN_B : il nome di una colonna nel set di dati di valutazione contenente previsioni predefinite o il nome della colonna nell'output del Modello B contenente previsioni. Se non viene fornito alcun valore, il sistema tenterà di dedurre il nome corretto della colonna di output del modello.
  • MODEL_A (facoltativo): un nome risorsa del modello completo (projects/{project}/locations/{location}/models/{model}@{version}) o un nome risorsa del modello del publisher (publishers/{publisher}/models/{model}). Se vengono specificate le risposte del modello A, questo parametro non deve essere fornito.
  • MODEL_B (facoltativo): un nome risorsa del modello completo (projects/{project}/locations/{location}/models/{model}@{version}) o un nome risorsa del modello del publisher (publishers/{publisher}/models/{model}). Se vengono specificate le risposte del Modello B, questo parametro non deve essere fornito.
  • MODEL_A_PROMPT_PARAMETERS (facoltativo): i parametri del template di prompt del modello A mappati a colonne o template. Se le risposte del Modello A sono predefinite, questo parametro non deve essere fornito. Esempio: {'prompt': {'column': 'my_prompt'}} utilizza la colonna my_prompt del set di dati di valutazione per il parametro del prompt denominato prompt.
  • MODEL_B_PROMPT_PARAMETERS (Facoltativo): i parametri del template di prompt del Modello B mappati a colonne o template. Se le risposte del Modello B sono predefinite, questo parametro non deve essere fornito. Esempio: {'prompt': {'column': 'my_prompt'}} utilizza la colonna my_prompt del set di dati di valutazione per il parametro del prompt denominato prompt.
  • (Facoltativo) JUDGMENTS_FORMAT : il formato in cui scrivere i giudizi. Può essere jsonl (predefinito), json o bigquery.
  • BIGQUERY_DESTINATION_PREFIX: tabella BigQuery in cui scrivere i giudizi se il formato specificato è bigquery.
import os
from google.cloud import aiplatform
parameters = {
    'evaluation_dataset': 'EVALUATION_DATASET',
    'id_columns': ['ID_COLUMNS'],
    'task': 'TASK',
    'autorater_prompt_parameters': AUTORATER_PROMPT_PARAMETERS,
    'response_column_a': 'RESPONSE_COLUMN_A',
    'response_column_b': 'RESPONSE_COLUMN_B',
    'model_a': 'MODEL_A',
    'model_a_prompt_parameters': MODEL_A_PROMPT_PARAMETERS,
    'model_b': 'MODEL_B',
    'model_b_prompt_parameters': MODEL_B_PROMPT_PARAMETERS,
    'judgments_format': 'JUDGMENTS_FORMAT',
    'bigquery_destination_prefix':
    BIGQUERY_DESTINATION_PREFIX,
}
aiplatform.init(project='PROJECT_ID', location='LOCATION', staging_bucket='gs://OUTPUT_DIR')
aiplatform.PipelineJob(
    display_name='PIPELINEJOB_DISPLAYNAME',
    pipeline_root=os.path.join('gs://OUTPUT_DIR', 'PIPELINEJOB_DISPLAYNAME'),
    template_path=(
      'https://us-kfp.pkg.dev/ml-pipeline/google-cloud-registry/autosxs-template/default'),
    parameter_values=parameters,
).run()

Console

Per creare un job di valutazione del modello a coppie utilizzando la console Google Cloud , segui questi passaggi:

  1. Inizia con un foundation model di Google o utilizza un modello già esistente nel Model Registry di Gemini Enterprise Agent Platform:

    • Per valutare un modello di base di Google:

      1. Vai a Model Garden di Gemini Enterprise Agent Platform e seleziona un modello che supporti la valutazione pairwise, ad esempio text-bison.

        Vai a Model Garden

      2. Fai clic su Valuta.

      3. Nel menu visualizzato, fai clic su Seleziona per selezionare una versione del modello.

      4. Un riquadro Salva modello potrebbe chiederti di salvare una copia del modello in Model Registry di Gemini Enterprise Agent Platform se non ne hai già una. Inserisci un nome del modello e fai clic su Salva.

      5. Viene visualizzata la pagina Crea valutazione. Per il passaggio Metodo di valutazione, seleziona Valuta questo modello rispetto a un altro modello.

      6. Fai clic su Continua.

    • Per valutare un modello esistente nel Model Registry di Gemini Enterprise Agent Platform:

      1. Vai alla pagina Model Registry di Gemini Enterprise Agent Platform:

        Vai a Model Registry di Gemini Enterprise Agent Platform

      2. Fai clic sul nome del modello da valutare. Assicurati che il tipo di modello supporti la valutazione pairwise. Ad esempio, text-bison.

      3. Nella scheda Valuta, fai clic su SxS.

      4. Fai clic su Crea valutazione SxS.

  2. Per ogni passaggio della pagina di creazione della valutazione, inserisci le informazioni richieste e fai clic su Continua:

    1. Per il passaggio Set di dati di valutazione, seleziona un obiettivo di valutazione e un modello da confrontare con il modello selezionato. Seleziona un set di dati di valutazione e inserisci le colonne ID (colonne di risposta).

    2. Per il passaggio Impostazioni modello, specifica se vuoi utilizzare le risposte del modello già presenti nel set di dati o se vuoi utilizzare le previsioni in batch di Gemini Enterprise Agent Platform per generare le risposte. Specifica le colonne di risposta per entrambi i modelli. Per l'opzione di previsione in batch di Gemini Enterprise Agent Platform, puoi specificare i parametri dei prompt del modello di inferenza.

    3. Per il passaggio Impostazioni del valutatore automatico, inserisci i parametri del prompt del valutatore automatico e una posizione di output per le valutazioni.

  3. Fai clic su Inizia valutazione.

Visualizza i risultati di una valutazione

Puoi trovare i risultati della valutazione in Agent Platform Pipelines esaminando i seguenti artefatti prodotti dalla pipeline AutoSxS:

Giudizi

AutoSxS genera valutazioni (metriche a livello di esempio) che aiutano gli utenti a comprendere le prestazioni del modello a livello di esempio. Le sentenze includono le seguenti informazioni:

  • Prompt di inferenza
  • Risposte del modello
  • Decisioni dello strumento di valutazione automatica
  • Spiegazioni delle valutazioni
  • Punteggi di confidenza

I giudizi possono essere scritti in Cloud Storage in formato JSONL o in una tabella BigQuery con queste colonne:

Colonna Descrizione
colonne ID Colonne che distinguono gli esempi di valutazione univoci.
inference_instruction Istruzione utilizzata per generare le risposte del modello.
inference_context Contesto utilizzato per generare le risposte del modello.
response_a La risposta del modello A, in base all'istruzione di inferenza e al contesto.
response_b Risposta del modello B, in base all'istruzione di inferenza e al contesto.
choice Il modello con la risposta migliore. I valori possibili sono Model A, Model B o Error. Error indica che un errore ha impedito allo strumento di valutazione automatica di determinare se la risposta del modello A o del modello B era la migliore.
confidence Un punteggio compreso tra 0 e 1, che indica il livello di confidenza dello strumento di valutazione automatica rispetto alla sua scelta.
explanation Il motivo della scelta del valutatore automatico.

Metriche aggregate

AutoSxS calcola le metriche aggregate (percentuale di vincita) utilizzando la tabella delle valutazioni. Se non vengono forniti dati sulle preferenze umane, vengono generate le seguenti metriche aggregate:

Metrica Descrizione
Percentuale di vincite del modello A di AutoRater Percentuale di casi in cui lo strumento di valutazione automatica ha deciso che il Modello A forniva la risposta migliore.
Tasso di vincita del modello B di AutoRater Percentuale di volte in cui lo strumento di valutazione automatica ha deciso che il Modello B forniva la risposta migliore.

Per comprendere meglio la percentuale di vincita, esamina i risultati basati sulle righe e le spiegazioni del valutatore automatico per determinare se i risultati e le spiegazioni sono in linea con le tue aspettative.

Metriche di allineamento delle preferenze umane

Se vengono forniti dati sulle preferenze umane, AutoSxS restituisce le seguenti metriche:

Metrica Descrizione
Percentuale di vincite del modello A di AutoRater Percentuale di casi in cui lo strumento di valutazione automatica ha deciso che il Modello A forniva la risposta migliore.
Tasso di vincita del modello B di AutoRater Percentuale di volte in cui lo strumento di valutazione automatica ha deciso che il Modello B forniva la risposta migliore.
Percentuale di vincite del modello A in base alle preferenze umane Percentuale di casi in cui i valutatori umani hanno deciso che il Modello A forniva la risposta migliore.
Percentuale di vincite del modello B in base alle preferenze umane Percentuale di volte in cui i valutatori umani hanno deciso che il Modello B forniva la risposta migliore.
VP Numero di esempi in cui sia lo strumento di valutazione automatica che i valutatori umani hanno indicato che il Modello A forniva la risposta migliore.
FP Numero di esempi in cui lo strumento di valutazione automatica ha indicato che il Modello A forniva la risposta migliore, mentre i valutatori umani hanno indicato che il Modello B forniva la risposta migliore.
VN Numero di esempi in cui sia lo strumento di valutazione automatica che i valutatori umani hanno indicato che il Modello B forniva la risposta migliore.
FN Numero di esempi in cui lo strumento di valutazione automatica ha indicato che il Modello B forniva la risposta migliore, mentre i valutatori umani hanno indicato che il Modello A forniva la risposta migliore.
Accuratezza Percentuale di casi in cui lo strumento di valutazione automatica e i valutatori umani erano in accordo.
Precisione Percentuale di casi in cui sia lo strumento di valutazione automatica che i valutatori umani hanno ritenuto che il Modello A fornisse una risposta migliore, in rapporto a tutti i casi in cui lo strumento di valutazione automatica pensava che il Modello A fornisse una risposta migliore.
Richiamo Percentuale di casi in cui sia lo strumento di valutazione automatica che i valutatori umani hanno ritenuto che il Modello A fornisse una risposta migliore, in rapporto a tutti i casi in cui i valutatori umani pensavano che il Modello A fornisse una risposta migliore.
F1 Media armonica di precisione e richiamo.
Kappa di Cohen Una misura del grado di concordanza tra lo strumento di valutazione automatica e i valutatori umani che tiene conto della probabilità di una concordanza casuale. Cohen suggerisce la seguente interpretazione:
-1.0 - 0.0Concordanza peggiore o equivalente alla probabilità casuale
0.0 - 0.2Leggermente d'accordo
0.2 - 0.4Accordo equo
0.4 - 0.6Moderatamente d'accordo
0.6 - 0.8Accordo sostanziale
0.8 - 1.0Concordanza quasi perfetta
1.0Accordo perfetto

Casi d'uso di AutoSxS

Puoi scoprire come utilizzare AutoSxS con tre scenari di casi d'uso.

Confronta i modelli

Valuta un modello proprietario (1P) ottimizzato rispetto a un modello 1P di riferimento.

Puoi specificare che l'inferenza venga eseguita su entrambi i modelli contemporaneamente.

Figura 2. Entrambi i modelli di inferenza vengono eseguiti

Questo esempio di codice valuta un modello ottimizzato di Vertex Model Registry rispetto a un modello di riferimento dello stesso registry.

# Evaluation dataset schema:
#   my_question: str
#   my_context: str
parameters = {
    'evaluation_dataset': DATASET,
    'id_columns': ['my_context'],
    'task': 'question_answering',
    'autorater_prompt_parameters': {
      'inference_instruction': {'column': 'my_question'},
      'inference_context': {'column': 'my_context'},
  },
    'model_a': 'publishers/google/models/text-bison@002',
    'model_a_prompt_parameters': {QUESTION: {'template': '{{my_question}}\nCONTEXT: {{my_context}}'}},
  'response_column_a': 'content',
    'model_b': 'projects/abc/locations/abc/models/tuned_bison',
    'model_b_prompt_parameters': {'prompt': {'template': '{{my_context}}\n{{my_question}}'}},
  'response_column_b': 'content',
}

Confronta previsioni

Valuta un modello ottimizzato di terze parti (3P) rispetto a un modello 3P di riferimento.

Puoi saltare l'inferenza fornendo direttamente le risposte del modello.

Figura 3. Viene eseguito un solo modello di inferenza

Questo esempio di codice valuta un modello di terze parti ottimizzato rispetto a un modello di terze parti di riferimento.

# Evaluation dataset schema:
#   my_question: str
#   my_context: str
#   response_b: str

parameters = {
    'evaluation_dataset': DATASET,
    'id_columns': ['my_context'],
    'task': 'question_answering',
    'autorater_prompt_parameters':
        'inference_instruction': {'column': 'my_question'},
        'inference_context': {'column': 'my_context'},
    },
    'response_column_a': 'content',
    'response_column_b': 'response_b',
}

Controlla l'allineamento

Tutte le attività supportate sono state sottoposte a benchmark utilizzando i dati dei valutatori umani per garantire che le risposte dello strumento di valutazione automatica siano in linea con le preferenze umane. Se vuoi eseguire il benchmark di AutoSxS per i tuoi casi d'uso, fornisci i dati con le preferenze umane direttamente ad AutoSxS, che genera statistiche aggregate e di allineamento.

Per verificare l'allineamento con un set di dati con preferenze umane, puoi specificare entrambi gli output (risultati della previsione) per lo strumento di valutazione automatica. Puoi anche fornire i risultati dell'inferenza.

Figura 4. Output di entrambi i modelli forniti allo strumento di valutazione automatica

Questo esempio di codice verifica che i risultati e le spiegazioni dello strumento di valutazione automatica corrispondano alle tue aspettative.

# Evaluation dataset schema:
#  my_question: str
#  my_context: str
#   response_a: str
#   response_b: str
#   actual: str
parameters = {
    'evaluation_dataset': DATASET,
    'id_columns': ['my_context'],
    'task': 'question_answering',
    'autorater_prompt_parameters': {
      'inference_instruction': {'column': 'my_question'},
      'inference_context': {'column': 'my_context'},
  },
  'response_column_a': 'response_a',
  'response_column_b': 'response_b',
  'human_preference_column': 'actual',
}

Passaggi successivi