API layanan evaluasi AI Generatif

Layanan evaluasi AI generatif memungkinkan Anda mengevaluasi model bahasa besar (LLM) di berbagai metrik dengan kriteria Anda sendiri. Anda dapat memberikan input waktu inferensi, respons LLM, dan parameter tambahan, dan layanan evaluasi AI Generatif akan menampilkan metrik khusus untuk tugas evaluasi.

Metrik mencakup metrik berbasis model, seperti PointwiseMetric dan PairwiseMetric, serta metrik yang dihitung dalam memori, seperti rouge, bleu, dan metrik panggilan fungsi alat. PointwiseMetric dan PairwiseMetric adalah metrik berbasis model generik yang dapat Anda sesuaikan dengan kriteria Anda sendiri. Karena layanan ini mengambil hasil prediksi langsung dari model sebagai input, layanan evaluasi dapat melakukan inferensi dan evaluasi berikutnya pada semua model yang didukung oleh Vertex AI.

Untuk mengetahui informasi selengkapnya tentang cara mengevaluasi model, lihat Ringkasan layanan evaluasi AI generatif.

Batasan

Berikut adalah batasan layanan evaluasi:

• Layanan evaluasi mungkin mengalami penundaan propagasi pada panggilan pertama Anda.
• Sebagian besar metrik berbasis model menggunakan kuota gemini-2.0-flash karena layanan evaluasi AI Generatif memanfaatkan gemini-2.0-flash sebagai model penilaian yang mendasarinya untuk menghitung metrik berbasis model ini.
• Beberapa metrik berbasis model, seperti MetricX dan COMET, menggunakan model machine learning yang berbeda, sehingga tidak menggunakan kuota gemini-2.0-flash.

Catatan: MetricX dan COMET tidak akan dikenai biaya selama pratinjau. Pada GA, harga akan sama dengan semua metrik berbasis model pointwise.

Contoh sintaksis

Sintaksis untuk mengirim panggilan evaluasi.

curl

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \

https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}:evaluateInstances \
-d '{
  "pointwise_metric_input" : {
    "metric_spec" : {
      ...
    },
    "instance": {
      ...
    },
  }
}'

Python

import json

from google import auth
from google.api_core import exceptions
from google.auth.transport import requests as google_auth_requests

creds, _ = auth.default(
    scopes=['https://www.googleapis.com/auth/cloud-platform'])

data = {
  ...
}

uri = f'https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}:evaluateInstances'
result = google_auth_requests.AuthorizedSession(creds).post(uri, json=data)

print(json.dumps(result.json(), indent=2))

Daftar parameter

Parameter
exact_match_input	Opsional: ExactMatchInput Input untuk menilai apakah prediksi cocok dengan referensi secara persis.
bleu_input	Opsional: BleuInput Input untuk menghitung skor BLEU dengan membandingkan prediksi dengan referensi.
rouge_input	Opsional: RougeInput Input untuk menghitung skor rouge dengan membandingkan prediksi dengan referensi. Skor rouge yang berbeda didukung oleh rouge_type.
fluency_input	Opsional: FluencyInput Input untuk menilai penguasaan bahasa satu respons.
coherence_input	Opsional: CoherenceInput Input untuk menilai kemampuan satu respons dalam memberikan balasan yang koheren dan mudah diikuti.
safety_input	Opsional: SafetyInput Input untuk menilai tingkat keamanan satu respons.
groundedness_input	Opsional: GroundednessInput Input untuk menilai kemampuan satu respons dalam memberikan atau merujuk informasi yang hanya disertakan dalam teks input.
fulfillment_input	Opsional: FulfillmentInput Input untuk menilai kemampuan satu respons dalam memenuhi petunjuk sepenuhnya.
summarization_quality_input	Opsional: SummarizationQualityInput Input untuk menilai kemampuan keseluruhan satu respons dalam meringkas teks.
pairwise_summarization_quality_input	Opsional: PairwiseSummarizationQualityInput Input untuk membandingkan kualitas peringkasan keseluruhan dari dua respons.
summarization_helpfulness_input	Opsional: SummarizationHelpfulnessInput Input untuk menilai kemampuan satu respons dalam memberikan ringkasan, yang berisi detail yang diperlukan untuk menggantikan teks asli.
summarization_verbosity_input	Opsional: SummarizationVerbosityInput Input untuk menilai kemampuan satu respons dalam memberikan ringkasan yang ringkas.
question_answering_quality_input	Opsional: QuestionAnsweringQualityInput Input untuk menilai kemampuan keseluruhan satu respons dalam menjawab pertanyaan, berdasarkan isi teks yang dirujuk.
pairwise_question_answering_quality_input	Opsional: PairwiseQuestionAnsweringQualityInput Input untuk membandingkan kemampuan keseluruhan dua respons dalam menjawab pertanyaan, dengan mempertimbangkan isi teks yang dirujuk.
question_answering_relevance_input	Opsional: QuestionAnsweringRelevanceInput Input untuk menilai kemampuan satu respons dalam memberikan informasi yang relevan saat ditanya.
question_answering_helpfulness_input	Opsional: QuestionAnsweringHelpfulnessInput Input untuk menilai kemampuan satu respons dalam memberikan detail penting saat menjawab pertanyaan.
question_answering_correctness_input	Opsional: QuestionAnsweringCorrectnessInput Input untuk menilai kemampuan satu respons dalam menjawab pertanyaan dengan benar.
pointwise_metric_input	Opsional: PointwiseMetricInput Input untuk evaluasi pointwise umum.
pairwise_metric_input	Opsional: PairwiseMetricInput Input untuk evaluasi berpasangan umum.
tool_call_valid_input	Opsional: ToolCallValidInput Input untuk menilai kemampuan satu respons dalam memprediksi panggilan alat yang valid.
tool_name_match_input	Opsional: ToolNameMatchInput Input untuk menilai kemampuan satu respons dalam memprediksi panggilan alat dengan nama alat yang tepat.
tool_parameter_key_match_input	Opsional: ToolParameterKeyMatchInput Input untuk menilai kemampuan satu respons dalam memprediksi panggilan alat dengan nama parameter yang benar.
tool_parameter_kv_match_input	Opsional: ToolParameterKvMatchInput Input untuk menilai kemampuan satu respons dalam memprediksi panggilan alat dengan nama dan nilai parameter yang benar
comet_input	Opsional: CometInput Input untuk dievaluasi menggunakan COMET.
metricx_input	Opsional: MetricxInput Input untuk dievaluasi menggunakan MetricX.

ExactMatchInput

{
  "exact_match_input": {
    "metric_spec": {},
    "instances": [
      {
        "prediction": string,
        "reference": string
      }
    ]
  }
}

Parameter
metric_spec	Opsional: ExactMatchSpec. Spesifikasi metrik, yang menentukan perilaku metrik.
instances	Opsional: ExactMatchInstance[] Input evaluasi, yang terdiri dari respons LLM dan referensi.
instances.prediction	Opsional: string Respons LLM.
instances.reference	Opsional: string Respons LLM terbaik sebagai referensi.

ExactMatchResults

{
  "exact_match_results": {
    "exact_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
exact_match_metric_values	ExactMatchMetricValue[] Hasil evaluasi per input instance.
exact_match_metric_values.score	float Salah satu dari berikut ini: 0: Instance tidak cocok persis 1: Pencocokan persis

BleuInput

{
  "bleu_input": {
    "metric_spec": {
      "use_effective_order": bool
    },
    "instances": [
      {
        "prediction": string,
        "reference": string
      }
    ]
  }
}

Parameter
metric_spec	Opsional: BleuSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.use_effective_order	Opsional: bool Apakah akan mempertimbangkan urutan n-gram tanpa kecocokan.
instances	Opsional: BleuInstance[] Input evaluasi, yang terdiri dari respons LLM dan referensi.
instances.prediction	Opsional: string Respons LLM.
instances.reference	Opsional: string Respons LLM terbaik sebagai referensi.

BleuResults

{
  "bleu_results": {
    "bleu_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
bleu_metric_values	BleuMetricValue[] Hasil evaluasi per input instance.
bleu_metric_values.score	float: [0, 1], dengan skor yang lebih tinggi berarti prediksi lebih mirip dengan referensi.

RougeInput

{
  "rouge_input": {
    "metric_spec": {
      "rouge_type": string,
      "use_stemmer": bool,
      "split_summaries": bool
    },
    "instances": [
      {
        "prediction": string,
        "reference": string
      }
    ]
  }
}

Parameter
metric_spec	Opsional: RougeSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.rouge_type	Opsional: string Nilai yang dapat diterima: rougen[1-9]: menghitung skor rouge berdasarkan tumpang-tindih n-gram antara prediksi dan referensi. rougeL: menghitung skor rouge berdasarkan Longest Common Subsequence (LCS) antara prediksi dan referensi. rougeLsum: pertama-tama membagi prediksi dan referensi menjadi kalimat, lalu menghitung LCS untuk setiap tuple. Skor rougeLsum akhir adalah rata-rata dari setiap skor LCS ini.
metric_spec.use_stemmer	Opsional: bool Apakah Porter stemmer harus digunakan untuk menghapus sufiks kata guna meningkatkan pencocokan.
metric_spec.split_summaries	Opsional: bool Apakah akan menambahkan baris baru di antara kalimat untuk rougeLsum.
instances	Opsional: RougeInstance[] Input evaluasi, yang terdiri dari respons LLM dan referensi.
instances.prediction	Opsional: string Respons LLM.
instances.reference	Opsional: string Respons LLM terbaik sebagai referensi.

RougeResults

{
  "rouge_results": {
    "rouge_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
rouge_metric_values	RougeValue[] Hasil evaluasi per input instance.
rouge_metric_values.score	float: [0, 1], dengan skor yang lebih tinggi berarti prediksi lebih mirip dengan referensi.

FluencyInput

{
  "fluency_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string
    }
  }
}

Parameter
metric_spec	Opsional: FluencySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: FluencyInstance Input evaluasi, yang terdiri dari respons LLM.
instance.prediction	Opsional: string Respons LLM.

FluencyResult

{
  "fluency_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Tidak jelas 2: Agak Tidak Jelas (Somewhat Inarticulate) 3: Netral 4: Agak lancar 5: Lancar
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

CoherenceInput

{
  "coherence_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string
    }
  }
}

Parameter
metric_spec	Opsional: CoherenceSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: CoherenceInstance Input evaluasi, yang terdiri dari respons LLM.
instance.prediction	Opsional: string Respons LLM.

CoherenceResult

{
  "coherence_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Tidak Koheren (Incoherent) 2: Agak tidak koheren 3: Netral 4: Agak koheren 5: Koheren (Coherent)
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

SafetyInput

{
  "safety_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string
    }
  }
}

Parameter
metric_spec	Opsional: SafetySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: SafetyInstance Input evaluasi, yang terdiri dari respons LLM.
instance.prediction	Opsional: string Respons LLM.

SafetyResult

{
  "safety_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 0: Tidak aman 1: Aman
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

GroundednessInput

{
  "groundedness_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "context": string
    }
  }
}

Parameter	Deskripsi
metric_spec	Opsional: GroundednessSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: GroundednessInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

GroundednessResult

{
  "groundedness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 0: Tidak beralasan 1: Dilarang terbang
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

FulfillmentInput

{
  "fulfillment_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string
    }
  }
}

Parameter
metric_spec	Opsional: FulfillmentSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: FulfillmentInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.

FulfillmentResult

{
  "fulfillment_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Tidak ada pemenuhan 2: Pemenuhan buruk 3: Beberapa pemenuhan pesanan 4: Fulfillment baik 5: Penyelesaian pemenuhan
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

SummarizationQualityInput

{
  "summarization_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}

Parameter
metric_spec	Opsional: SummarizationQualitySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: SummarizationQualityInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

SummarizationQualityResult

{
  "summarization_quality_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Sangat buruk 2: Buruk 3: Oke 4: Baik 5: Sangat baik
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

PairwiseSummarizationQualityInput

{
  "pairwise_summarization_quality_input": {
    "metric_spec": {},
    "instance": {
      "baseline_prediction": string,
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}

Parameter
metric_spec	Opsional: PairwiseSummarizationQualitySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: PairwiseSummarizationQualityInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.baseline_prediction	Opsional: string Respons LLM model dasar.
instance.prediction	Opsional: string Respons LLM model kandidat.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

PairwiseSummarizationQualityResult

{
  "pairwise_summarization_quality_result": {
    "pairwise_choice": PairwiseChoice,
    "explanation": string,
    "confidence": float
  }
}

Output
pairwise_choice	PairwiseChoice: Enum dengan kemungkinan nilai sebagai berikut: BASELINE: Prediksi dasar lebih baik CANDIDATE: Prediksi kandidat lebih baik TIE: Hasil imbang antara prediksi Dasar Pengukuran dan Kandidat.
explanation	string: Justifikasi untuk penetapan pairwise_choice.
confidence	float: [0, 1] Skor keyakinan hasil kami.

SummarizationHelpfulnessInput

{
  "summarization_helpfulness_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}

Parameter
metric_spec	Opsional: SummarizationHelpfulnessSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: SummarizationHelpfulnessInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

SummarizationHelpfulnessResult

{
  "summarization_helpfulness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Tidak membantu 2: Agak tidak membantu 3: Netral 4: Cukup membantu 5: Membantu
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

SummarizationVerbosityInput

{
  "summarization_verbosity_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}

Parameter
metric_spec	Opsional: SummarizationVerbositySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: SummarizationVerbosityInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

SummarizationVerbosityResult

{
  "summarization_verbosity_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float. Salah satu dari berikut ini: -2: Singkat -1: Agak singkat 0: Optimal 1: Agak panjang 2: Verbose
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

QuestionAnsweringQualityInput

{
  "question_answering_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}

Parameter
metric_spec	Opsional: QuestionAnsweringQualitySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: QuestionAnsweringQualityInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

QuestionAnsweringQualityResult

{
  "question_answering_quality_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Sangat buruk 2: Buruk 3: Oke 4: Baik 5: Sangat baik
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

PairwiseQuestionAnsweringQualityInput

{
  "pairwise_question_answering_quality_input": {
    "metric_spec": {},
    "instance": {
      "baseline_prediction": string,
      "prediction": string,
      "instruction": string,
      "context": string
    }
  }
}

Parameter
metric_spec	Opsional: QuestionAnsweringQualitySpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: QuestionAnsweringQualityInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.baseline_prediction	Opsional: string Respons LLM model dasar.
instance.prediction	Opsional: string Respons LLM model kandidat.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

PairwiseQuestionAnsweringQualityResult

{
  "pairwise_question_answering_quality_result": {
    "pairwise_choice": PairwiseChoice,
    "explanation": string,
    "confidence": float
  }
}

Output
pairwise_choice	PairwiseChoice: Enum dengan kemungkinan nilai sebagai berikut: BASELINE: Prediksi dasar lebih baik CANDIDATE: Prediksi kandidat lebih baik TIE: Hasil imbang antara prediksi Dasar Pengukuran dan Kandidat.
explanation	string: Justifikasi untuk penetapan pairwise_choice.
confidence	float: [0, 1] Skor keyakinan hasil kami.

QuestionAnsweringRelevanceInput

{
  "question_answering_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string
    }
  }
}

Parameter
metric_spec	Opsional: QuestionAnsweringRelevanceSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: QuestionAnsweringRelevanceInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

QuestionAnsweringRelevancyResult

{
  "question_answering_relevancy_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Tidak relevan 2: Kurang relevan 3: Netral 4: Agak relevan 5: Relevan
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

QuestionAnsweringHelpfulnessInput

{
  "question_answering_helpfulness_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string
    }
  }
}

Parameter
metric_spec	Opsional: QuestionAnsweringHelpfulnessSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: QuestionAnsweringHelpfulnessInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

QuestionAnsweringHelpfulnessResult

{
  "question_answering_helpfulness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 1: Tidak membantu 2: Agak tidak membantu 3: Netral 4: Cukup membantu 5: Membantu
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

QuestionAnsweringCorrectnessInput

{
  "question_answering_correctness_input": {
    "metric_spec": {
      "use_reference": bool
    },
    "instance": {
      "prediction": string,
      "reference": string,
      "instruction": string,
      "context": string
    }
  }
}

Parameter
metric_spec	Opsional: QuestionAnsweringCorrectnessSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.use_reference	Opsional: bool Apakah referensi digunakan atau tidak dalam evaluasi.
instance	Opsional: QuestionAnsweringCorrectnessInstance Input evaluasi, yang terdiri dari input inferensi dan respons yang sesuai.
instance.prediction	Opsional: string Respons LLM.
instance.reference	Opsional: string Respons LLM terbaik sebagai referensi.
instance.instruction	Opsional: string Petunjuk yang digunakan pada waktu inferensi.
instance.context	Opsional: string Teks waktu inferensi yang berisi semua informasi, yang dapat digunakan dalam respons LLM.

QuestionAnsweringCorrectnessResult

{
  "question_answering_correctness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}

Output
score	float: Salah satu dari berikut ini: 0: Salah 1: Benar
explanation	string: Pembenaran untuk pemberian skor.
confidence	float: [0, 1] Skor keyakinan hasil kami.

PointwiseMetricInput

{
  "pointwise_metric_input": {
    "metric_spec": {
      "metric_prompt_template": string
    },
    "instance": {
      "json_instance": string,
    }
  }
}

Parameter
metric_spec	Wajib: PointwiseMetricSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.metric_prompt_template	Wajib: string Template perintah yang menentukan metrik. Dirender oleh key-value pair di instance.json_instance
instance	Wajib: PointwiseMetricInstance Input evaluasi, yang terdiri dari json_instance.
instance.json_instance	Opsional: string Pasangan nilai kunci dalam format Json. Misalnya, {"key_1": "value_1", "key_2": "value_2"}. Digunakan untuk merender metric_spec.metric_prompt_template.

PointwiseMetricResult

{
  "pointwise_metric_result": {
    "score": float,
    "explanation": string,
  }
}

Output
score	float: Skor untuk hasil evaluasi metrik pointwise.
explanation	string: Pembenaran untuk pemberian skor.

PairwiseMetricInput

{
  "pairwise_metric_input": {
    "metric_spec": {
      "metric_prompt_template": string
    },
    "instance": {
      "json_instance": string,
    }
  }
}

Parameter
metric_spec	Wajib: PairwiseMetricSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.metric_prompt_template	Wajib: string Template perintah yang menentukan metrik. Dirender oleh key-value pair di instance.json_instance
instance	Wajib: PairwiseMetricInstance Input evaluasi, yang terdiri dari json_instance.
instance.json_instance	Opsional: string Pasangan nilai kunci dalam format JSON. Misalnya, {"key_1": "value_1", "key_2": "value_2"}. Digunakan untuk merender metric_spec.metric_prompt_template.

PairwiseMetricResult

{
  "pairwise_metric_result": {
    "score": float,
    "explanation": string,
  }
}

Output
score	float: Skor untuk hasil evaluasi metrik berpasangan.
explanation	string: Pembenaran untuk pemberian skor.

ToolCallValidInput

{
  "tool_call_valid_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}

Parameter
metric_spec	Opsional: ToolCallValidSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: ToolCallValidInstance Input evaluasi, yang terdiri dari respons LLM dan referensi.
instance.prediction	Opsional: string Respons LLM model kandidat, yang merupakan string yang diserialisasi JSON yang berisi kunci content dan tool_calls. Nilai content adalah output teks dari model. Nilai tool_call adalah string yang diserialisasi JSON dari daftar panggilan alat. Contohnya adalah: { "content": "", "tool_calls": [ { "name": "book_tickets", "arguments": { "movie": "Mission Impossible Dead Reckoning Part 1", "theater": "Regal Edwards 14", "location": "Mountain View CA", "showtime": "7:30", "date": "2024-03-30", "num_tix": "2" } } ] }
instance.reference	Opsional: string Output model Golden dalam format yang sama dengan prediksi.

ToolCallValidResults

{
  "tool_call_valid_results": {
    "tool_call_valid_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
tool_call_valid_metric_values	berulang ToolCallValidMetricValue: Hasil evaluasi per input instance.
tool_call_valid_metric_values.score	float: Salah satu dari berikut ini: 0: Panggilan alat tidak valid 1: Panggilan alat yang valid

ToolNameMatchInput

{
  "tool_name_match_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}

Parameter
metric_spec	Opsional: ToolNameMatchSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: ToolNameMatchInstance Input evaluasi, yang terdiri dari respons LLM dan referensi.
instance.prediction	Opsional: string Respons LLM model kandidat, yang merupakan string yang diserialisasi JSON yang berisi kunci content dan tool_calls. Nilai content adalah output teks dari model. Nilai tool_call adalah string yang diserialisasi JSON dari daftar panggilan alat.
instance.reference	Opsional: string Output model Golden dalam format yang sama dengan prediksi.

ToolNameMatchResults

{
  "tool_name_match_results": {
    "tool_name_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
tool_name_match_metric_values	berulang ToolNameMatchMetricValue: Hasil evaluasi per input instance.
tool_name_match_metric_values.score	float: Salah satu dari berikut ini: 0: Nama panggilan alat tidak cocok dengan referensi. 1: Nama panggilan alat cocok dengan referensi.

ToolParameterKeyMatchInput

{
  "tool_parameter_key_match_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}

Parameter
metric_spec	Opsional: ToolParameterKeyMatchSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: ToolParameterKeyMatchInstance Input evaluasi, yang terdiri dari respons LLM dan referensi.
instance.prediction	Opsional: string Respons LLM model kandidat, yang merupakan string yang diserialisasi JSON yang berisi kunci content dan tool_calls. Nilai content adalah output teks dari model. Nilai tool_call adalah string yang diserialisasi JSON dari daftar panggilan alat.
instance.reference	Opsional: string Output model Golden dalam format yang sama dengan prediksi.

ToolParameterKeyMatchResults

{
  "tool_parameter_key_match_results": {
    "tool_parameter_key_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
tool_parameter_key_match_metric_values	berulang ToolParameterKeyMatchMetricValue: Hasil evaluasi per input instance.
tool_parameter_key_match_metric_values.score	float: [0, 1], dengan skor yang lebih tinggi berarti lebih banyak parameter yang cocok dengan nama parameter referensi.

ToolParameterKVMatchInput

{
  "tool_parameter_kv_match_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}

Parameter
metric_spec	Opsional: ToolParameterKVMatchSpec Spesifikasi metrik, yang menentukan perilaku metrik.
instance	Opsional: ToolParameterKVMatchInstance Input evaluasi, yang terdiri dari respons LLM dan referensi.
instance.prediction	Opsional: string Respons LLM model kandidat, yang merupakan string yang diserialisasi JSON yang berisi kunci content dan tool_calls. Nilai content adalah output teks dari model. Nilai tool_call adalah string yang diserialisasi JSON dari daftar panggilan alat.
instance.reference	Opsional: string Output model Golden dalam format yang sama dengan prediksi.

ToolParameterKVMatchResults

{
  "tool_parameter_kv_match_results": {
    "tool_parameter_kv_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}

Output
tool_parameter_kv_match_metric_values	berulang ToolParameterKVMatchMetricValue: Hasil evaluasi per input instance.
tool_parameter_kv_match_metric_values.score	float: [0, 1], dengan skor yang lebih tinggi berarti lebih banyak parameter yang cocok dengan nama dan nilai parameter referensi.

CometInput

{
  "comet_input" : {
    "metric_spec" : {
      "version": string
    },
    "instance": {
      "prediction": string,
      "source": string,
      "reference": string,
    },
  }
}

Parameter
metric_spec	Opsional: CometSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.version	Opsional: string COMET_22_SRC_REF: COMET 22 untuk terjemahan, sumber, dan referensi. Model ini mengevaluasi terjemahan (prediksi) menggunakan ketiga input.
metric_spec.source_language	Opsional: string Bahasa sumber dalam format BCP-47. Misalnya, "es".
metric_spec.target_language	Opsional: string Bahasa target dalam format BCP-47. Misalnya, "es"
instance	Opsional: CometInstance Input evaluasi, yang terdiri dari respons dan referensi LLM. Kolom persis yang digunakan untuk evaluasi bergantung pada versi COMET.
instance.prediction	Opsional: string Respons LLM model kandidat. Ini adalah output LLM yang sedang dievaluasi.
instance.source	Opsional: string Teks sumber. Ini dalam bahasa asli yang digunakan untuk menerjemahkan prediksi.
instance.reference	Opsional: string Kebenaran dasar yang digunakan untuk membandingkan dengan prediksi. Respons ini dalam bahasa yang sama dengan prediksi.

CometResult

{
  "comet_result" : {
    "score": float
  }
}

Output
score	float: [0, 1], dengan 1 mewakili terjemahan yang sempurna.

MetricxInput

{
  "metricx_input" : {
    "metric_spec" : {
      "version": string
    },
    "instance": {
      "prediction": string,
      "source": string,
      "reference": string,
    },
  }
}

Parameter
metric_spec	Opsional: MetricxSpec Spesifikasi metrik, yang menentukan perilaku metrik.
metric_spec.version	Opsional: string Salah satu dari berikut ini: METRICX_24_REF: MetricX 24 untuk terjemahan dan referensi. Model ini mengevaluasi prediksi (terjemahan) dengan membandingkannya dengan input teks referensi yang diberikan. METRICX_24_SRC: MetricX 24 untuk terjemahan dan sumber. Model ini mengevaluasi terjemahan (prediksi) dengan Estimasi Kualitas (QE), tanpa input teks referensi. METRICX_24_SRC_REF: MetricX 24 untuk terjemahan, sumber dan referensi. Model ini mengevaluasi terjemahan (prediksi) menggunakan ketiga input.
metric_spec.source_language	Opsional: string Bahasa sumber dalam format BCP-47. Misalnya, "es".
metric_spec.target_language	Opsional: string Bahasa target dalam format BCP-47. Misalnya, "es".
instance	Opsional: MetricxInstance Input evaluasi, yang terdiri dari respons dan referensi LLM. Kolom persis yang digunakan untuk evaluasi bergantung pada versi MetricX.
instance.prediction	Opsional: string Respons LLM model kandidat. Ini adalah output LLM yang sedang dievaluasi.
instance.source	Opsional: string Teks sumber yang dalam bahasa asli yang digunakan untuk menerjemahkan prediksi.
instance.reference	Opsional: string Kebenaran dasar yang digunakan untuk membandingkan dengan prediksi. Bahasa yang digunakan sama dengan bahasa prediksi.

MetricxResult

{
  "metricx_result" : {
    "score": float
  }
}

Output
score	float: [0, 25], dengan 0 menunjukkan terjemahan yang sempurna.

Contoh

Mengevaluasi output

Contoh berikut menunjukkan cara memanggil Gen AI Evaluation API untuk mengevaluasi output LLM menggunakan berbagai metrik evaluasi, termasuk:

• summarization_quality
• groundedness
• fulfillment
• summarization_helpfulness

• summarization_verbosity

Python

import pandas as pd

import vertexai
from vertexai.preview.evaluation import EvalTask, MetricPromptTemplateExamples

# TODO(developer): Update and un-comment below line
# PROJECT_ID = "your-project-id"
vertexai.init(project=PROJECT_ID, location="us-central1")

eval_dataset = pd.DataFrame(
    {
        "instruction": [
            "Summarize the text in one sentence.",
            "Summarize the text such that a five-year-old can understand.",
        ],
        "context": [
            """As part of a comprehensive initiative to tackle urban congestion and foster
            sustainable urban living, a major city has revealed ambitious plans for an
            extensive overhaul of its public transportation system. The project aims not
            only to improve the efficiency and reliability of public transit but also to
            reduce the city\'s carbon footprint and promote eco-friendly commuting options.
            City officials anticipate that this strategic investment will enhance
            accessibility for residents and visitors alike, ushering in a new era of
            efficient, environmentally conscious urban transportation.""",
            """A team of archaeologists has unearthed ancient artifacts shedding light on a
            previously unknown civilization. The findings challenge existing historical
            narratives and provide valuable insights into human history.""",
        ],
        "response": [
            "A major city is revamping its public transportation system to fight congestion, reduce emissions, and make getting around greener and easier.",
            "Some people who dig for old things found some very special tools and objects that tell us about people who lived a long, long time ago! What they found is like a new puzzle piece that helps us understand how people used to live.",
        ],
    }
)

eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[
        MetricPromptTemplateExamples.Pointwise.SUMMARIZATION_QUALITY,
        MetricPromptTemplateExamples.Pointwise.GROUNDEDNESS,
        MetricPromptTemplateExamples.Pointwise.VERBOSITY,
        MetricPromptTemplateExamples.Pointwise.INSTRUCTION_FOLLOWING,
    ],
)

prompt_template = (
    "Instruction: {instruction}. Article: {context}. Summary: {response}"
)
result = eval_task.evaluate(prompt_template=prompt_template)

print("Summary Metrics:\n")

for key, value in result.summary_metrics.items():
    print(f"{key}: \t{value}")

print("\n\nMetrics Table:\n")
print(result.metrics_table)
# Example response:
# Summary Metrics:
# row_count:      2
# summarization_quality/mean:     3.5
# summarization_quality/std:      2.1213203435596424
# ...

Go

import (
	context_pkg "context"
	"fmt"
	"io"

	aiplatform "cloud.google.com/go/aiplatform/apiv1beta1"
	aiplatformpb "cloud.google.com/go/aiplatform/apiv1beta1/aiplatformpb"
	"google.golang.org/api/option"
)

// evaluateModelResponse evaluates the output of an LLM for groundedness, i.e., how well
// the model response connects with verifiable sources of information
func evaluateModelResponse(w io.Writer, projectID, location string) error {
	// location = "us-central1"
	ctx := context_pkg.Background()
	apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	client, err := aiplatform.NewEvaluationClient(ctx, option.WithEndpoint(apiEndpoint))

	if err != nil {
		return fmt.Errorf("unable to create aiplatform client: %w", err)
	}
	defer client.Close()

	// evaluate the pre-generated model response against the reference (ground truth)
	responseToEvaluate := `
The city is undertaking a major project to revamp its public transportation system.
This initiative is designed to improve efficiency, reduce carbon emissions, and promote
eco-friendly commuting. The city expects that this investment will enhance accessibility
and usher in a new era of sustainable urban transportation.
`
	reference := `
As part of a comprehensive initiative to tackle urban congestion and foster
sustainable urban living, a major city has revealed ambitious plans for an
extensive overhaul of its public transportation system. The project aims not
only to improve the efficiency and reliability of public transit but also to
reduce the city\'s carbon footprint and promote eco-friendly commuting options.
City officials anticipate that this strategic investment will enhance
accessibility for residents and visitors alike, ushering in a new era of
efficient, environmentally conscious urban transportation.
`
	req := aiplatformpb.EvaluateInstancesRequest{
		Location: fmt.Sprintf("projects/%s/locations/%s", projectID, location),
		// Check the API reference for a full list of supported metric inputs:
		// https://cloud.google.com/vertex-ai/docs/reference/rpc/google.cloud.aiplatform.v1beta1#evaluateinstancesrequest
		MetricInputs: &aiplatformpb.EvaluateInstancesRequest_GroundednessInput{
			GroundednessInput: &aiplatformpb.GroundednessInput{
				MetricSpec: &aiplatformpb.GroundednessSpec{},
				Instance: &aiplatformpb.GroundednessInstance{
					Context:    &reference,
					Prediction: &responseToEvaluate,
				},
			},
		},
	}

	resp, err := client.EvaluateInstances(ctx, &req)
	if err != nil {
		return fmt.Errorf("evaluateInstances failed: %v", err)
	}

	results := resp.GetGroundednessResult()
	fmt.Fprintf(w, "score: %.2f\n", results.GetScore())
	fmt.Fprintf(w, "confidence: %.2f\n", results.GetConfidence())
	fmt.Fprintf(w, "explanation:\n%s\n", results.GetExplanation())
	// Example response:
	// score: 1.00
	// confidence: 1.00
	// explanation:
	// STEP 1: All aspects of the response are found in the context.
	// The response accurately summarizes the city's plan to overhaul its public transportation system, highlighting the goals of ...
	// STEP 2: According to the rubric, the response is scored 1 because all aspects of the response are attributable to the context.

	return nil
}

Mengevaluasi output: kualitas ringkasan berpasangan

Contoh berikut menunjukkan cara memanggil Gen AI Evaluation Service API untuk mengevaluasi output LLM menggunakan perbandingan kualitas ringkasan berpasangan.

REST

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• PROJECT_ID: .
• LOCATION: Region untuk memproses permintaan.
• PREDICTION: Respons LLM.
• BASELINE_PREDICTION: Respons LLM model dasar.
• INSTRUCTION: Petunjuk yang digunakan pada waktu inferensi.
• CONTEXT: Teks waktu inferensi yang berisi semua informasi yang relevan, yang dapat digunakan dalam respons LLM.

Metode HTTP dan URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/LOCATION:evaluateInstances \

Isi JSON permintaan:

{
  "pairwise_summarization_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": "PREDICTION",
      "baseline_prediction": "BASELINE_PREDICTION",
      "instruction": "INSTRUCTION",
      "context": "CONTEXT",
    }
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke gcloud CLI menggunakan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login , atau dengan menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke gcloud CLI . Anda dapat memeriksa akun yang saat ini aktif dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

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/v1beta1/projects/PROJECT_ID-/locations/LOCATION:evaluateInstances \"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke gcloud CLI menggunakan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login . Anda dapat memeriksa akun yang saat ini aktif dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/LOCATION:evaluateInstances \" | Select-Object -Expand Content

Python

Python

Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Python.

import pandas as pd

import vertexai
from vertexai.generative_models import GenerativeModel
from vertexai.evaluation import (
    EvalTask,
    PairwiseMetric,
    MetricPromptTemplateExamples,
)

# TODO(developer): Update & uncomment line below
# PROJECT_ID = "your-project-id"
vertexai.init(project=PROJECT_ID, location="us-central1")

prompt = """
Summarize the text such that a five-year-old can understand.

# Text

As part of a comprehensive initiative to tackle urban congestion and foster
sustainable urban living, a major city has revealed ambitious plans for an
extensive overhaul of its public transportation system. The project aims not
only to improve the efficiency and reliability of public transit but also to
reduce the city\'s carbon footprint and promote eco-friendly commuting options.
City officials anticipate that this strategic investment will enhance
accessibility for residents and visitors alike, ushering in a new era of
efficient, environmentally conscious urban transportation.
"""

eval_dataset = pd.DataFrame({"prompt": [prompt]})

# Baseline model for pairwise comparison
baseline_model = GenerativeModel("gemini-2.0-flash-lite-001")

# Candidate model for pairwise comparison
candidate_model = GenerativeModel(
    "gemini-2.0-flash-001", generation_config={"temperature": 0.4}
)

prompt_template = MetricPromptTemplateExamples.get_prompt_template(
    "pairwise_summarization_quality"
)

summarization_quality_metric = PairwiseMetric(
    metric="pairwise_summarization_quality",
    metric_prompt_template=prompt_template,
    baseline_model=baseline_model,
)

eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[summarization_quality_metric],
    experiment="pairwise-experiment",
)
result = eval_task.evaluate(model=candidate_model)

baseline_model_response = result.metrics_table["baseline_model_response"].iloc[0]
candidate_model_response = result.metrics_table["response"].iloc[0]
winner_model = result.metrics_table[
    "pairwise_summarization_quality/pairwise_choice"
].iloc[0]
explanation = result.metrics_table[
    "pairwise_summarization_quality/explanation"
].iloc[0]

print(f"Baseline's story:\n{baseline_model_response}")
print(f"Candidate's story:\n{candidate_model_response}")
print(f"Winner: {winner_model}")
print(f"Explanation: {explanation}")
# Example response:
# Baseline's story:
# A big city wants to make it easier for people to get around without using cars! They're going to make buses and trains ...
#
# Candidate's story:
# A big city wants to make it easier for people to get around without using cars! ... This will help keep the air clean ...
#
# Winner: CANDIDATE
# Explanation: Both responses adhere to the prompt's constraints, are grounded in the provided text, and ... However, Response B ...

Go

Go

Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Go di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Go Vertex AI.

Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal.

import (
	context_pkg "context"
	"fmt"
	"io"

	aiplatform "cloud.google.com/go/aiplatform/apiv1beta1"
	aiplatformpb "cloud.google.com/go/aiplatform/apiv1beta1/aiplatformpb"
	"google.golang.org/api/option"
)

// pairwiseEvaluation lets the judge model to compare the responses of two models and pick the better one
func pairwiseEvaluation(w io.Writer, projectID, location string) error {
	// location = "us-central1"
	ctx := context_pkg.Background()
	apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	client, err := aiplatform.NewEvaluationClient(ctx, option.WithEndpoint(apiEndpoint))

	if err != nil {
		return fmt.Errorf("unable to create aiplatform client: %w", err)
	}
	defer client.Close()

	context := `
As part of a comprehensive initiative to tackle urban congestion and foster
sustainable urban living, a major city has revealed ambitious plans for an
extensive overhaul of its public transportation system. The project aims not
only to improve the efficiency and reliability of public transit but also to
reduce the city\'s carbon footprint and promote eco-friendly commuting options.
City officials anticipate that this strategic investment will enhance
accessibility for residents and visitors alike, ushering in a new era of
efficient, environmentally conscious urban transportation.
`
	instruction := "Summarize the text such that a five-year-old can understand."
	baselineResponse := `
The city wants to make it easier for people to get around without using cars.
They're going to make the buses and trains better and faster, so people will want to
use them more. This will help the air be cleaner and make the city a better place to live.
`
	candidateResponse := `
The city is making big changes to how people get around. They want to make the buses and
trains work better and be easier for everyone to use. This will also help the environment
by getting people to use less gas. The city thinks these changes will make it easier for
everyone to get where they need to go.
`

	req := aiplatformpb.EvaluateInstancesRequest{
		Location: fmt.Sprintf("projects/%s/locations/%s", projectID, location),
		MetricInputs: &aiplatformpb.EvaluateInstancesRequest_PairwiseSummarizationQualityInput{
			PairwiseSummarizationQualityInput: &aiplatformpb.PairwiseSummarizationQualityInput{
				MetricSpec: &aiplatformpb.PairwiseSummarizationQualitySpec{},
				Instance: &aiplatformpb.PairwiseSummarizationQualityInstance{
					Context:            &context,
					Instruction:        &instruction,
					Prediction:         &candidateResponse,
					BaselinePrediction: &baselineResponse,
				},
			},
		},
	}

	resp, err := client.EvaluateInstances(ctx, &req)
	if err != nil {
		return fmt.Errorf("evaluateInstances failed: %v", err)
	}

	results := resp.GetPairwiseSummarizationQualityResult()
	fmt.Fprintf(w, "choice: %s\n", results.GetPairwiseChoice())
	fmt.Fprintf(w, "confidence: %.2f\n", results.GetConfidence())
	fmt.Fprintf(w, "explanation:\n%s\n", results.GetExplanation())
	// Example response:
	// choice: BASELINE
	// confidence: 0.50
	// explanation:
	// BASELINE response is easier to understand. For example, the phrase "..." is easier to understand than "...". Thus, BASELINE response is ...

	return nil
}

Mendapatkan skor ROUGE

Contoh berikut memanggil API layanan evaluasi AI Generatif untuk mendapatkan skor ROUGE dari prediksi, yang dihasilkan oleh sejumlah input. Input ROUGE menggunakan metric_spec, yang menentukan perilaku metrik.

REST

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• PROJECT_ID: .
• LOCATION: Region untuk memproses permintaan.
• PREDICTION: Respons LLM.
• REFERENCE: Respons LLM Golden sebagai referensi.
• ROUGE_TYPE: Perhitungan yang digunakan untuk menentukan skor nakal. Lihat metric_spec.rouge_type untuk mengetahui nilai yang dapat diterima.
• USE_STEMMER: Menentukan apakah stemmer Porter digunakan untuk menghilangkan sufiks kata guna meningkatkan pencocokan. Untuk mengetahui nilai yang dapat diterima, lihat metric_spec.use_stemmer.
• SPLIT_SUMMARIES: Menentukan apakah baris baru ditambahkan di antara kalimat rougeLsum. Untuk mengetahui nilai yang dapat diterima, lihat metric_spec.split_summaries .

Metode HTTP dan URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/REGION:evaluateInstances \

Isi JSON permintaan:

{
  "rouge_input": {
    "instances": {
      "prediction": "PREDICTION",
      "reference": "REFERENCE.",
    },
    "metric_spec": {
      "rouge_type": "ROUGE_TYPE",
      "use_stemmer": USE_STEMMER,
      "split_summaries": SPLIT_SUMMARIES,
    }
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke gcloud CLI menggunakan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login , atau dengan menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke gcloud CLI . Anda dapat memeriksa akun yang saat ini aktif dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

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/v1beta1/projects/PROJECT_ID-/locations/REGION:evaluateInstances \"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke gcloud CLI menggunakan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login . Anda dapat memeriksa akun yang saat ini aktif dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/REGION:evaluateInstances \" | Select-Object -Expand Content

Python

Python

Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Python.

import pandas as pd

import vertexai
from vertexai.preview.evaluation import EvalTask

# TODO(developer): Update & uncomment line below
# PROJECT_ID = "your-project-id"
vertexai.init(project=PROJECT_ID, location="us-central1")

reference_summarization = """
The Great Barrier Reef, the world's largest coral reef system, is
located off the coast of Queensland, Australia. It's a vast
ecosystem spanning over 2,300 kilometers with thousands of reefs
and islands. While it harbors an incredible diversity of marine
life, including endangered species, it faces serious threats from
climate change, ocean acidification, and coral bleaching."""

# Compare pre-generated model responses against the reference (ground truth).
eval_dataset = pd.DataFrame(
    {
        "response": [
            """The Great Barrier Reef, the world's largest coral reef system located
        in Australia, is a vast and diverse ecosystem. However, it faces serious
        threats from climate change, ocean acidification, and coral bleaching,
        endangering its rich marine life.""",
            """The Great Barrier Reef, a vast coral reef system off the coast of
        Queensland, Australia, is the world's largest. It's a complex ecosystem
        supporting diverse marine life, including endangered species. However,
        climate change, ocean acidification, and coral bleaching are serious
        threats to its survival.""",
            """The Great Barrier Reef, the world's largest coral reef system off the
        coast of Australia, is a vast and diverse ecosystem with thousands of
        reefs and islands. It is home to a multitude of marine life, including
        endangered species, but faces serious threats from climate change, ocean
        acidification, and coral bleaching.""",
        ],
        "reference": [reference_summarization] * 3,
    }
)
eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[
        "rouge_1",
        "rouge_2",
        "rouge_l",
        "rouge_l_sum",
    ],
)
result = eval_task.evaluate()

print("Summary Metrics:\n")
for key, value in result.summary_metrics.items():
    print(f"{key}: \t{value}")

print("\n\nMetrics Table:\n")
print(result.metrics_table)
# Example response:
#
# Summary Metrics:
#
# row_count:      3
# rouge_1/mean:   0.7191161666666667
# rouge_1/std:    0.06765143922270488
# rouge_2/mean:   0.5441118566666666
# ...
# Metrics Table:
#
#                                        response                         reference  ...  rouge_l/score  rouge_l_sum/score
# 0  The Great Barrier Reef, the world's ...  \n    The Great Barrier Reef, the ...  ...       0.577320           0.639175
# 1  The Great Barrier Reef, a vast coral...  \n    The Great Barrier Reef, the ...  ...       0.552381           0.666667
# 2  The Great Barrier Reef, the world's ...  \n    The Great Barrier Reef, the ...  ...       0.774775           0.774775

Go

Go

Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Go di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Go Vertex AI.

Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal.

import (
	"context"
	"fmt"
	"io"

	aiplatform "cloud.google.com/go/aiplatform/apiv1beta1"
	aiplatformpb "cloud.google.com/go/aiplatform/apiv1beta1/aiplatformpb"
	"google.golang.org/api/option"
)

// getROUGEScore evaluates a model response against a reference (ground truth) using the ROUGE metric
func getROUGEScore(w io.Writer, projectID, location string) error {
	// location = "us-central1"
	ctx := context.Background()
	apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	client, err := aiplatform.NewEvaluationClient(ctx, option.WithEndpoint(apiEndpoint))

	if err != nil {
		return fmt.Errorf("unable to create aiplatform client: %w", err)
	}
	defer client.Close()

	modelResponse := `
The Great Barrier Reef, the world's largest coral reef system located in Australia,
is a vast and diverse ecosystem. However, it faces serious threats from climate change,
ocean acidification, and coral bleaching, endangering its rich marine life.
`
	reference := `
The Great Barrier Reef, the world's largest coral reef system, is
located off the coast of Queensland, Australia. It's a vast
ecosystem spanning over 2,300 kilometers with thousands of reefs
and islands. While it harbors an incredible diversity of marine
life, including endangered species, it faces serious threats from
climate change, ocean acidification, and coral bleaching.
`
	req := aiplatformpb.EvaluateInstancesRequest{
		Location: fmt.Sprintf("projects/%s/locations/%s", projectID, location),
		MetricInputs: &aiplatformpb.EvaluateInstancesRequest_RougeInput{
			RougeInput: &aiplatformpb.RougeInput{
				// Check the API reference for the list of supported ROUGE metric types:
				// https://cloud.google.com/vertex-ai/docs/reference/rpc/google.cloud.aiplatform.v1beta1#rougespec
				MetricSpec: &aiplatformpb.RougeSpec{
					RougeType: "rouge1",
				},
				Instances: []*aiplatformpb.RougeInstance{
					{
						Prediction: &modelResponse,
						Reference:  &reference,
					},
				},
			},
		},
	}

	resp, err := client.EvaluateInstances(ctx, &req)
	if err != nil {
		return fmt.Errorf("evaluateInstances failed: %v", err)
	}

	fmt.Fprintln(w, "evaluation results:")
	fmt.Fprintln(w, resp.GetRougeResults().GetRougeMetricValues())
	// Example response:
	// [score:0.6597938]

	return nil
}

Langkah berikutnya

• Untuk dokumentasi mendetail, lihat Menjalankan evaluasi.