Evalúa agentes de IA generativa

Después de compilar y evaluar tu modelo de IA generativa, puedes usarlo para crear un agente, como un chatbot. El servicio de evaluación de IA generativa te permite medir la capacidad de tu agente para completar tareas y objetivos para tu caso de uso.

Descripción general

Tienes las siguientes opciones para evaluar a tu agente:

  • Evaluación de la respuesta final: Evalúa el resultado final de un agente (si logró o no su objetivo).

  • Evaluación de la trayectoria: Evalúa la ruta (secuencia de llamadas a la herramienta) que siguió el agente para llegar a la respuesta final.

Con el servicio de evaluación de IA generativa, puedes activar una ejecución de agente y obtener métricas para la evaluación de la trayectoria y la evaluación de la respuesta final en una sola consulta del SDK de Vertex AI.

Agentes admitidos

El servicio de evaluación de IA general admite las siguientes categorías de agentes:

Agentes admitidos Descripción
Agente creado con la plantilla de Reasoning Engine Reasoning Engine (LangChain en Vertex AI) es una Google Cloud plataforma en la que puedes implementar y administrar agentes.
Agentes de LangChain compilados con la plantilla personalizable de Reasoning Engine LangChain es una plataforma de código abierto.
Función del agente personalizado La función de agente personalizado es una función flexible que recibe una instrucción para el agente y muestra una respuesta y una trayectoria en un diccionario.

Cómo definir métricas para la evaluación de agentes

Define tus métricas para la respuesta final o la evaluación de la trayectoria:

Evaluación de la respuesta final

La evaluación de la respuesta final sigue el mismo proceso que la evaluación de la respuesta del modelo. Para obtener más información, consulta Define tus métricas de evaluación.

Evaluación de la trayectoria

Las siguientes métricas te ayudan a evaluar la capacidad del modelo para seguir la trayectoria esperada:

Concordancia exacta

Si la trayectoria prevista es idéntica a la trayectoria de referencia, con las mismas llamadas a la herramienta en el mismo orden, la métrica trajectory_exact_match muestra una puntuación de 1, de lo contrario, 0.

Parámetros de entrada de métricas

Parámetro de entrada Descripción
predicted_trajectory Es la lista de llamadas a herramientas que usa el agente para llegar a la respuesta final.
reference_trajectory Es el uso esperado de la herramienta para que el agente satisfaga la consulta.

Puntuaciones de salida

Valor Descripción
0 La trayectoria prevista no coincide con la referencia.
1 La trayectoria prevista coincide con la referencia.

Coincidencia en orden

Si la trayectoria prevista contiene todas las llamadas a la herramienta de la trayectoria de referencia en el mismo orden y también puede tener llamadas a la herramienta adicionales, la métrica trajectory_in_order_match muestra una puntuación de 1, de lo contrario, 0.

Parámetros de entrada de métricas

Parámetro de entrada Descripción
predicted_trajectory Es la trayectoria prevista que usa el agente para llegar a la respuesta final.
reference_trajectory Es la trayectoria prevista esperada para que el agente satisfaga la consulta.

Puntuaciones de salida

Valor Descripción
0 Las llamadas a la herramienta en la trayectoria prevista no coinciden con el orden en la trayectoria de referencia.
1 La trayectoria prevista coincide con la referencia.

Coincidencia en cualquier orden

Si la trayectoria prevista contiene todas las llamadas a la herramienta de la trayectoria de referencia, pero el orden no importa y puede contener llamadas a la herramienta adicionales, la métrica trajectory_any_order_match muestra una puntuación de 1, de lo contrario, 0.

Parámetros de entrada de métricas

Parámetro de entrada Descripción
predicted_trajectory Es la lista de llamadas a herramientas que usa el agente para llegar a la respuesta final.
reference_trajectory Es el uso esperado de la herramienta para que el agente satisfaga la consulta.

Puntuaciones de salida

Valor Descripción
0 La trayectoria prevista no contiene todas las llamadas a la herramienta de la trayectoria de referencia.
1 La trayectoria prevista coincide con la referencia.

Precisión

La métrica trajectory_precision mide cuántas de las llamadas a la herramienta en la trayectoria prevista son realmente relevantes o correctas según la trayectoria de referencia.

La precisión se calcula de la siguiente manera: Cuenta cuántas acciones de la trayectoria prevista también aparecen en la trayectoria de referencia. Divide ese recuento por la cantidad total de acciones en la trayectoria prevista.

Parámetros de entrada de métricas

Parámetro de entrada Descripción
predicted_trajectory Es la lista de llamadas a herramientas que usa el agente para llegar a la respuesta final.
reference_trajectory Es el uso esperado de la herramienta para que el agente satisfaga la consulta.

Puntuaciones de salida

Valor Descripción
Un número de punto flotante en el rango [0,1] Cuanto más alta sea la puntuación, más precisa será la trayectoria prevista.

Recuperación

La métrica trajectory_recall mide cuántas de las llamadas a herramientas esenciales de la trayectoria de referencia se capturan en la trayectoria prevista.

La recuperación se calcula de la siguiente manera: Cuenta cuántas acciones de la trayectoria de referencia también aparecen en la trayectoria prevista. Divide ese recuento por la cantidad total de acciones en la trayectoria de referencia.

Parámetros de entrada de métricas

Parámetro de entrada Descripción
predicted_trajectory Es la lista de llamadas a herramientas que usa el agente para llegar a la respuesta final.
reference_trajectory Es el uso esperado de la herramienta para que el agente satisfaga la consulta.

Puntuaciones de salida

Valor Descripción
Un número de punto flotante en el rango [0,1] Cuanto más alta sea la puntuación, mejor será la recuperación de la trayectoria prevista.

Uso de una sola herramienta

La métrica trajectory_single_tool_use verifica si se usa una herramienta específica que se especifica en la especificación de la métrica en la trayectoria prevista. No verifica el orden de las llamadas a la herramienta ni cuántas veces se usa, solo si está presente o no.

Parámetros de entrada de métricas

Parámetro de entrada Descripción
predicted_trajectory Es la lista de llamadas a herramientas que usa el agente para llegar a la respuesta final.

Puntuaciones de salida

Valor Descripción
0 La herramienta no está presente
1 La herramienta está presente.

Además, las siguientes dos métricas de rendimiento del agente se agregan a los resultados de la evaluación de forma predeterminada. No es necesario que los especifiques en EvalTask.

latency

Es el tiempo que tarda el agente en mostrar una respuesta.

Valor Descripción
Un número de punto flotante Se calcula en segundos.

failure

Es un valor booleano que describe si la invocación del agente generó un error o se realizó correctamente.

Puntuaciones de salida

Valor Descripción
1 Error
0 Se devolvió una respuesta válida

Prepara tu conjunto de datos para la evaluación de agentes

Prepara tu conjunto de datos para la evaluación final de la respuesta o la trayectoria.

El esquema de datos para la evaluación de la respuesta final es similar al de la evaluación de la respuesta del modelo.

Para la evaluación de trayectorias basada en el procesamiento, tu conjunto de datos debe proporcionar la siguiente información:

Tipo de entrada Contenido del campo de entrada
predicted_trajectory Es la lista de llamadas a herramientas que usan los agentes para llegar a la respuesta final.
reference_trajectory (no es obligatorio para trajectory_single_tool_use metric) Es el uso esperado de la herramienta para que el agente satisfaga la consulta.

Ejemplos de conjuntos de datos de evaluación

En los siguientes ejemplos, se muestran conjuntos de datos para la evaluación de trayectorias. Ten en cuenta que reference_trajectory es obligatorio para todas las métricas, excepto trajectory_single_tool_use.

reference_trajectory = [
# example 1
[
  {
    "tool_name": "set_device_info",
    "tool_input": {
        "device_id": "device_2",
        "updates": {
            "status": "OFF"
        }
    }
  }
],
# example 2
[
    {
      "tool_name": "get_user_preferences",
      "tool_input": {
          "user_id": "user_y"
      }
  },
  {
      "tool_name": "set_temperature",
      "tool_input": {
          "location": "Living Room",
          "temperature": 23
      }
    },
  ]
]

predicted_trajectory = [
# example 1
[
  {
    "tool_name": "set_device_info",
    "tool_input": {
        "device_id": "device_3",
        "updates": {
            "status": "OFF"
        }
    }
  }
],
# example 2
[
    {
      "tool_name": "get_user_preferences",
      "tool_input": {
          "user_id": "user_z"
      }
    },
    {
      "tool_name": "set_temperature",
      "tool_input": {
          "location": "Living Room",
          "temperature": 23
      }
    },
  ]
]

eval_dataset = pd.DataFrame({
    "predicted_trajectory": predicted_trajectory,
    "reference_trajectory": reference_trajectory,
})

Importa tu conjunto de datos de evaluación

Puedes importar tu conjunto de datos en los siguientes formatos:

  • Archivo JSONL o CSV almacenado en Cloud Storage

  • Tabla de BigQuery

  • DataFrame de Pandas

El servicio de evaluación de IA generativa proporciona ejemplos de conjuntos de datos públicos para demostrar cómo puedes evaluar tus agentes. En el siguiente código, se muestra cómo importar los conjuntos de datos públicos desde un bucket de Cloud Storage:


# dataset name to be imported
dataset = "on-device" # Alternatives: "customer-support", "content-creation"

# copy the tools and dataset file
!gcloud storage cp gs://cloud-ai-demo-datasets/agent-eval-datasets/{dataset}/tools.py .
!gcloud storage cp gs://cloud-ai-demo-datasets/agent-eval-datasets/{dataset}/eval_dataset.json .

# load the dataset examples
import json

eval_dataset = json.loads(open('eval_dataset.json').read())

# run the tools file
%run -i tools.py

En el ejemplo anterior, dataset es uno de los siguientes conjuntos de datos públicos:

  • "on-device" para un Asistente de Google integrado en el dispositivo, que controla los dispositivos de la casa. El agente ayuda con consultas como "Programa el aire acondicionado en el dormitorio para que esté encendido entre las 11 p.m. y las 8 a.m., y apagado el resto del tiempo".

  • "customer-support" para un agente de atención al cliente. El agente ayuda con consultas como "¿Puedes cancelar los pedidos pendientes y derivar los tickets de asistencia abiertos?".

  • "content-creation" para un agente de creación de contenido de marketing. El agente ayuda con consultas como "Reprograma la campaña X para que sea una campaña única en el sitio de redes sociales Y con un presupuesto reducido en un 50%, solo el 25 de diciembre de 2024".

Ejecuta la evaluación del agente

Ejecuta una evaluación de trayectoria o de respuesta final:

Para la evaluación del agente, puedes combinar las métricas de evaluación de la respuesta y las métricas de evaluación de la trayectoria, como en el siguiente código:

single_tool_use_metric = TrajectorySingleToolUse(tool_name='tool_name')

eval_task = EvalTask(
    dataset=EVAL_DATASET,
    metrics=[
        "rouge_l_sum",
        "bleu",
        custom_response_eval_metric,
        "trajectory_exact_match",
        "trajectory_precision",
        single_tool_use_metric
        pointwise_trajectory_eval_metric # llm-based metric
    ],
)
eval_result = eval_task.evaluate(
    runnable=RUNNABLE,
)

Personalización de métricas

Puedes personalizar una métrica basada en un modelo de lenguaje extenso para la evaluación de trayectorias con una interfaz de plantillas o desde cero. También puedes definir una métrica personalizada basada en el procesamiento para la evaluación de la trayectoria.

Visualiza e interpreta los resultados

En el caso de la evaluación de la trayectoria o la evaluación de la respuesta final, los resultados de la evaluación se muestran de la siguiente manera:

Tablas para las métricas de evaluación de agentes

Los resultados de la evaluación contienen la siguiente información:

Métricas de respuesta final

Resultados a nivel de la instancia

Columna Descripción
respuesta Es la respuesta final que genera el agente.
latency_in_seconds Es el tiempo que se tardó en generar la respuesta.
falla Indica si se generó una respuesta válida o no.
puntuación Es una puntuación calculada para la respuesta especificada en la especificación de la métrica.
explanation Es la explicación de la puntuación especificada en la especificación de la métrica.

Resultados agregados

Columna Descripción
media Es la puntuación promedio de todas las instancias.
standard deviation Desviación estándar de todas las puntuaciones.

Métricas de trayectoria

Resultados a nivel de la instancia

Columna Descripción
predicted_trajectory Es la secuencia de llamadas a la herramienta seguida del agente para llegar a la respuesta final.
reference_trajectory Es la secuencia de llamadas a la herramienta esperadas.
puntuación Es una puntuación calculada para la trayectoria prevista y la trayectoria de referencia especificadas en la especificación de la métrica.
latency_in_seconds Es el tiempo que se tardó en generar la respuesta.
falla Indica si se generó una respuesta válida o no.

Resultados agregados

Columna Descripción
media Es la puntuación promedio de todas las instancias.
standard deviation Desviación estándar de todas las puntuaciones.

¿Qué sigue?

Prueba los siguientes notebooks de evaluación de agentes: