W&B Weave 및 W&B Tables로 모델 평가하기

W&B Weave와 W&B Tables를 사용해 머신 러닝 모델을 평가하는 방법을 알아보세요.

Weave로 모델 평가하기

W&B Weave는 LLM 및 GenAI 애플리케이션을 평가하기 위해 특별히 설계된 툴킷입니다. Scorer, 평가자, 세부 트레이싱을 포함한 포괄적인 평가 기능을 제공하여 모델 성능을 이해하고 개선할 수 있도록 돕습니다. Weave는 W&B Models와 통합되어 있어 모델 레지스트리에 저장된 모델을 평가할 수 있습니다.

모델 평가의 주요 기능

• Scorer와 평가자: 정확성, 관련성, 일관성 등을 평가하기 위한 사전 제공 및 맞춤형 평가 메트릭
• 평가 데이터셋: 체계적인 평가를 위한 정답이 포함된 구조화된 테스트 세트
• 모델 버전 관리: 모델의 여러 버전을 추적하고 비교
• 상세 트레이싱: 전체 입력/출력 트레이스로 모델 동작을 디버그
• 비용 추적: 평가 전반에서 API 비용과 토큰 사용량을 모니터링

시작하기: W&B Registry에서 모델 평가하기

W&B Models Registry에서 모델을 다운로드한 다음 Weave로 평가하세요:

import weave
import wandb
from typing import Any

# Weave 초기화
weave.init("your-entity/your-project")

# W&B 레지스트리에서 로드하는 ChatModel 정의
class ChatModel(weave.Model):
    model_name: str
    
    def model_post_init(self, __context):
        # W&B Models Registry에서 모델 다운로드
        with wandb.init(project="your-project", job_type="model_download") as run:
            artifact = run.use_artifact(self.model_name)
            self.model_path = artifact.download()
            # 여기서 모델을 초기화하세요
    
    @weave.op()
    async def predict(self, query: str) -> str:
        # 모델 추론 로직
        return self.model.generate(query)

# 평가 데이터셋 생성
dataset = weave.Dataset(name="eval_dataset", rows=[
    {"input": "What is the capital of France?", "expected": "Paris"},
    {"input": "What is 2+2?", "expected": "4"},
])

# Scorer 정의
@weave.op()
def exact_match_scorer(expected: str, output: str) -> dict:
    return {"correct": expected.lower() == output.lower()}

# 평가 실행
model = ChatModel(model_name="wandb-entity/registry-name/model:version")
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[exact_match_scorer]
)
results = await evaluation.evaluate(model)

W&B Models와 Weave 평가 통합하기

Models and Weave Integration Demo에서는 다음과 같은 전체 워크플로를 보여줍니다:

1. 레지스트리에서 모델 로드: W&B Models 레지스트리에 저장된 파인튜닝된 모델을 다운로드합니다
2. 평가 파이프라인 생성: 맞춤형 Scorer를 사용해 포괄적인 평가를 구성합니다
3. 결과를 W&B에 다시 로깅: 평가 메트릭을 모델 run에 연결합니다
4. 평가된 모델 버전 관리: 개선된 모델을 레지스트리에 다시 저장합니다

평가 결과를 Weave와 W&B Models 모두에 로깅합니다:

# W&B tracking으로 evaluation 실행
with weave.attributes({"wandb-run-id": wandb.run.id}):
    summary, call = await evaluation.evaluate.call(evaluation, model)

# W&B Models에 메트릭 기록
wandb.run.log(summary)
wandb.run.config.update({
    "weave_eval_url": f"https://wandb.ai/{entity}/{project}/r/call/{call.id}"
})

Weave의 고급 특성

맞춤형 Scorer와 평가자

사용 사례에 맞는 정교한 평가 메트릭을 만드세요:

@weave.op()
def llm_judge_scorer(expected: str, output: str, judge_model) -> dict:
    prompt = f"Is this answer correct? Expected: {expected}, Got: {output}"
    judgment = await judge_model.predict(prompt)
    return {"judge_score": judgment}

일괄 평가

여러 모델 버전 또는 설정을 평가해 보세요:

models = [
    ChatModel(model_name="model:v1"),
    ChatModel(model_name="model:v2"),
]

for model in models:
    results = await evaluation.evaluate(model)
    print(f"{model.model_name}: {results}")

다음 단계

• Weave 평가 튜토리얼 완료하기
• Models 및 Weave 인테그레이션 예제

테이블을 사용해 모델 평가하기

W&B Tables를 사용하면 다음을 할 수 있습니다.

• 모델 예측 비교: 동일한 테스트 세트에서 여러 모델의 성능을 나란히 비교해 볼 수 있습니다
• 예측 변화 추적: 트레이닝 에포크 또는 모델 버전에 따라 예측이 어떻게 달라지는지 모니터링합니다
• 오류 분석: 필터와 쿼리를 사용해 자주 오분류되는 예시와 오류 패턴을 찾습니다
• 리치 미디어 시각화: 이미지, Audio, 텍스트 및 기타 미디어 유형을 예측 및 메트릭과 함께 표시합니다

기본 예시: 평가 결과 로깅하기

import wandb

# run 초기화
run = wandb.init(project="model-evaluation")

# 평가 결과가 담긴 테이블 생성
columns = ["id", "input", "ground_truth", "prediction", "confidence", "correct"]
eval_table = wandb.Table(columns=columns)

# 평가 데이터 추가
for idx, (input_data, label) in enumerate(test_dataset):
    prediction = model(input_data)
    confidence = prediction.max()
    predicted_class = prediction.argmax()
    
    eval_table.add_data(
        idx,
        wandb.Image(input_data),  # 이미지 또는 기타 미디어 로깅
        label,
        predicted_class,
        confidence,
        label == predicted_class
    )

# 테이블 로깅
run.log({"evaluation_results": eval_table})

고급 테이블 워크플로

여러 모델 비교

서로 다른 모델의 평가 테이블을 같은 키에 로깅해 직접 비교합니다:

# 모델 A 평가
with wandb.init(project="model-comparison", name="model_a") as run:
    eval_table_a = create_eval_table(model_a, test_data)
    run.log({"test_predictions": eval_table_a})

# 모델 B 평가  
with wandb.init(project="model-comparison", name="model_b") as run:
    eval_table_b = create_eval_table(model_b, test_data)
    run.log({"test_predictions": eval_table_b})

시간 경과에 따른 예측 추적

각 트레이닝 에포크마다 테이블을 로깅해 성능 향상을 시각화합니다:

for epoch in range(num_epochs):
    train_model(model, train_data)
    
    # 이 에포크의 예측을 평가하고 기록합니다
    eval_table = wandb.Table(columns=["image", "truth", "prediction"])
    for image, label in test_subset:
        pred = model(image)
        eval_table.add_data(wandb.Image(image), label, pred.argmax())
    
    wandb.log({f"predictions_epoch_{epoch}": eval_table})

W&B UI에서 대화형 분석

로깅이 완료되면 다음 작업을 수행할 수 있습니다.

1. 결과 필터링: 열 헤더를 클릭해 예측 정확도, 신뢰도 임계값 또는 특정 클래스 기준으로 필터링합니다
2. 테이블 비교: 여러 테이블 버전을 선택해 나란히 비교합니다
3. 데이터 쿼리: 쿼리 바를 사용해 특정 패턴을 찾습니다(예: "correct" = false AND "confidence" > 0.8)
4. 그룹화 및 집계: 예측 클래스별로 그룹화해 클래스별 정확도 메트릭을 확인합니다

예시: 정보가 보강된 테이블을 사용한 오류 분석

# 분석 열을 추가하기 위한 가변 테이블 생성
eval_table = wandb.Table(
    columns=["id", "image", "label", "prediction"],
    log_mode="MUTABLE"  # 나중에 열 추가 허용
)

# 초기 예측
for idx, (img, label) in enumerate(test_data):
    pred = model(img)
    eval_table.add_data(idx, wandb.Image(img), label, pred.argmax())

run.log({"eval_analysis": eval_table})

# 오류 분석을 위한 신뢰도 점수 추가
confidences = [model(img).max() for img, _ in test_data]
eval_table.add_column("confidence", confidences)

# 오류 유형 추가
error_types = classify_errors(eval_table.get_column("label"), 
                            eval_table.get_column("prediction"))
eval_table.add_column("error_type", error_types)

run.log({"eval_analysis": eval_table})