Kurzanleitung: Workflow für den Gen AI Evaluation Service

Auf dieser Seite erfahren Sie, wie Sie mit dem Vertex AI SDK for Python eine modellbasierte Bewertung mit dem Gen AI-Bewertungsdienst durchführen.

Hinweise

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

    In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

    Make sure that billing is enabled for your Google Cloud project.

    In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

    Make sure that billing is enabled for your Google Cloud project.

  2. Installieren Sie das Vertex AI SDK for Python mit der Abhängigkeit vom Gen AI-Bewertungsdienst:

    !pip install google-cloud-aiplatform[evaluation]

  3. Anmeldedaten einrichten Wenn Sie diesen Schnellstart in Colaboratory ausführen, führen Sie Folgendes aus:

    from google.colab import auth
auth.authenticate_user()

    Informationen zu anderen Umgebungen finden Sie unter Bei Vertex AI authentifizieren.

Bibliotheken importieren

Importieren Sie Ihre Bibliotheken und richten Sie Ihr Projekt und Ihren Speicherort ein.

import pandas as pd

import vertexai
from vertexai.evaluation import EvalTask, PointwiseMetric, PointwiseMetricPromptTemplate
from google.cloud import aiplatform

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"
EXPERIMENT_NAME = "EXPERIMENT_NAME"

vertexai.init(
    project=PROJECT_ID,
    location=LOCATION,
)

EXPERIMENT_NAME darf nur Kleinbuchstaben, Zahlen und Bindestriche enthalten und darf maximal 127 Zeichen lang sein.

Bewertungsmesswerte anhand Ihrer Kriterien einrichten

Bei der folgenden Messwertdefinition wird die Qualität des von einem Large Language Model generierten Texts anhand von zwei Kriterien bewertet: Fluency und Entertaining. Im Code wird ein Messwert namens custom_text_quality anhand dieser beiden Kriterien definiert:

custom_text_quality = PointwiseMetric(
    metric="custom_text_quality",
    metric_prompt_template=PointwiseMetricPromptTemplate(
        criteria={
            "fluency": (
                "Sentences flow smoothly and are easy to read, avoiding awkward"
                " phrasing or run-on sentences. Ideas and sentences connect"
                " logically, using transitions effectively where needed."
            ),
            "entertaining": (
                "Short, amusing text that incorporates emojis, exclamations and"
                " questions to convey quick and spontaneous communication and"
                " diversion."
            ),
        },
        rating_rubric={
            "1": "The response performs well on both criteria.",
            "0": "The response is somewhat aligned with both criteria",
            "-1": "The response falls short on both criteria",
        },
    ),
)

Dataset vorbereiten

Fügen Sie den folgenden Code hinzu, um das Dataset vorzubereiten:

responses = [
    # An example of good custom_text_quality
    "Life is a rollercoaster, full of ups and downs, but it's the thrill that keeps us coming back for more!",
    # An example of medium custom_text_quality
    "The weather is nice today, not too hot, not too cold.",
    # An example of poor custom_text_quality
    "The weather is, you know, whatever.",
]

eval_dataset = pd.DataFrame({
    "response" : responses,
})

Bewertung mit Ihrem Dataset ausführen

Führen Sie die Bewertung aus:

eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[custom_text_quality],
    experiment=EXPERIMENT_NAME
)

pointwise_result = eval_task.evaluate()

Rufen Sie die Bewertungsergebnisse für jede Antwort im Pandas-DataFrame metrics_table auf:

pointwise_result.metrics_table

Bereinigen

Mit den folgenden Schritten vermeiden Sie, dass Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen in Rechnung gestellt werden:

Löschen Sie die von der Bewertung erstellte ExperimentRun:

aiplatform.ExperimentRun(
    run_name=pointwise_result.metadata["experiment_run"],
    experiment=pointwise_result.metadata["experiment"],
).delete()

Nächste Schritte