評価の概要

W&B Weaveで評価の基本的な使い方を学びます

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。

• Google Colabで開く
• GitHubでソースを表示

​

🔑 前提条件

Weave の評価を実行する前に、次の準備を済ませてください。

1. W&B Weave SDK をインストールし、APIキーを使用してログインします。
2. OpenAI SDK をインストールし、APIキーを使用してログインします。
3. W&B のプロジェクトを初期化します。

# 依存関係のインストールとインポート
!pip install wandb weave openai -q

import os
from getpass import getpass

from openai import OpenAI
from pydantic import BaseModel

import weave

# 🔑 APIキーの設定
# このセルを実行すると、`getpass` でAPIキーの入力を求められます。入力内容はターミナルに表示されません。
#####
print("---")
print(
    "W&B APIキーの作成はこちら: https://wandb.ai/settings#apikeys"
)
os.environ["WANDB_API_KEY"] = getpass("W&B APIキーを入力してください: ")
print("---")
print("OpenAI APIキーはこちらで生成できます: https://platform.openai.com/api-keys")
os.environ["OPENAI_API_KEY"] = getpass("OpenAI APIキーを入力してください: ")
print("---")
#####

# 🏠 W&Bのプロジェクト名を入力してください
weave_client = weave.init("MY_PROJECT_NAME")  # 🐝 W&Bのプロジェクト名

​

🐝 最初の評価を実行する

次のコードサンプルでは、Weave の Model API と Evaluation API を使って LLM を評価する方法を示します。まず、weave.Model を継承して Weave モデルを定義し、モデル名とプロンプト形式を指定したうえで、@weave.op を使って predict メソッドをトラッキングします。predict メソッドは OpenAI にプロンプトを送信し、Pydantic スキーマ (FruitExtract) を使ってレスポンスを構造化された出力として解析します。次に、入力文と期待されるターゲットからなる小規模な評価用データセットを作成します。続いて、モデルの出力とターゲットラベルを比較するカスタムのスコアリング関数 (これも @weave.op でトラッキング) を定義します。最後に、データセットと scorers を指定して、これらをまとめて weave.Evaluation に渡し、evaluate() を呼び出して評価パイプラインを非同期に実行します。

# 1. Weave モデルを構築する
class FruitExtract(BaseModel):
    fruit: str
    color: str
    flavor: str

class ExtractFruitsModel(weave.Model):
    model_name: str
    prompt_template: str

    @weave.op()
    def predict(self, sentence: str) -> dict:
        client = OpenAI()

        response = client.beta.chat.completions.parse(
            model=self.model_name,
            messages=[
                {
                    "role": "user",
                    "content": self.prompt_template.format(sentence=sentence),
                }
            ],
            response_format=FruitExtract,
        )
        result = response.choices[0].message.parsed
        return result

model = ExtractFruitsModel(
    name="gpt4o",
    model_name="gpt-4o",
    prompt_template='Extract fields ("fruit": <str>, "color": <str>, "flavor": <str>) as json, from the following text : {sentence}',
)

# 2. サンプルを収集する
sentences = [
    "There are many fruits that were found on the recently discovered planet Goocrux. There are neoskizzles that grow there, which are purple and taste like candy.",
    "Pounits are a bright green color and are more savory than sweet.",
    "Finally, there are fruits called glowls, which have a very sour and bitter taste which is acidic and caustic, and a pale orange tinge to them.",
]
labels = [
    {"fruit": "neoskizzles", "color": "purple", "flavor": "candy"},
    {"fruit": "pounits", "color": "green", "flavor": "savory"},
    {"fruit": "glowls", "color": "orange", "flavor": "sour, bitter"},
]
examples = [
    {"id": "0", "sentence": sentences[0], "target": labels[0]},
    {"id": "1", "sentence": sentences[1], "target": labels[1]},
    {"id": "2", "sentence": sentences[2], "target": labels[2]},
]

# 3. 評価用のスコアリング関数を定義する
@weave.op()
def fruit_name_score(target: dict, output: FruitExtract) -> dict:
    target_flavors = [f.strip().lower() for f in target["flavor"].split(",")]
    output_flavors = [f.strip().lower() for f in output.flavor.split(",")]
    # 出力フレーバーにターゲットフレーバーが含まれているかチェックする
    matches = any(tf in of for tf in target_flavors for of in output_flavors)
    return {"correct": matches}

# 4. 評価を実行する
evaluation = weave.Evaluation(
    name="fruit_eval",
    dataset=examples,
    scorers=[fruit_name_score],
)
await evaluation.evaluate(model)

​

🚀 さらに多くの例をお探しですか？

• 評価パイプラインをエンドツーエンドで構築する方法をご覧ください。
• RAGアプリケーションを構築しながら評価する方法をご覧ください。