평가 결과 보기 및 해석

이 페이지에서는 모델 평가를 실행한 후 모델 평가 결과를 보고 해석하는 방법을 설명합니다.

평가 결과 보기

평가 태스크를 정의한 후 태스크를 실행하여 다음과 같이 평가 결과를 얻습니다.

eval_result: EvalResult = eval_task.evaluate(
  model=MODEL,
)

EvalResult 클래스는 다음 속성을 이용해서 평가 실행 결과를 표시합니다.

metrics_table: 인스턴스별 결과입니다.
summary_metrics: 요청된 모든 측정항목의 모든 인스턴스에 대한 집계 결과입니다.
metadata: 평가 실행의 실험 이름 및 실험 실행 이름입니다.

EvalResult 클래스는 다음과 같이 정의됩니다.

@dataclasses.dataclass
class EvalResult:
    """Evaluation result.

    Attributes:
      summary_metrics: The summary evaluation metrics for an evaluation run.
      metrics_table: A table containing eval inputs, ground truth, and metric
        results per row.
      metadata: The metadata for the evaluation run.
    """

    summary_metrics: Dict[str, float]
    metrics_table: Optional["pd.DataFrame"] = None
    metadata: Optional[Dict[str, str]] = None

도우미 함수를 사용하면 다음과 같이 Colab 노트북에 평가 결과가 표시될 수 있습니다.

요약 측정항목 및 행 기반 측정항목의 표

평가 결과 시각화

방사형 또는 막대 그래프에 요약 측정항목을 표시하여 다양한 평가 실행의 결과들을 시각화하고 비교할 수 있습니다. 이 시각화는 다양한 모델 및 다양한 프롬프트 템플릿을 평가하는 데 유용합니다.

다음 예시에서는 4가지 프롬프트 템플릿을 사용하여 생성된 응답에 대해 4가지 측정항목(일관성, 유창성, 지시 준수, 전반적인 텍스트 품질)을 시각화합니다. 방사형 및 막대 그래프를 기반으로 프롬프트 템플릿 #2가 4가지 측정항목 모두에서 다른 것보다 더 나은 성능을 보인다는 결론을 내릴 수 있습니다. 이는 특히 다음 지침과 텍스트 품질에 대한 점수가 훨씬 높다는 점에서 두드러집니다. 이러한 분석을 바탕으로 프롬프트 템플릿 #2가 4가지 중 가장 효과적인 옵션인 것으로 보입니다.

모든 프롬프트 템플릿의 일관성, 지침 준수, 텍스트 품질, 유창성 점수를 보여주는 방사형 그래프

모든 프롬프트 템플릿의 일관성, 지침 준수, 텍스트 품질, 유창성 점수의 평균을 보여주는 막대 그래프

측정항목 결과 이해

다음 표에서는 인스턴스 레벨의 다양한 구성요소를 나열하고 각각 PointwiseMetric, PairwiseMetric 및 계산 기반 측정항목에 대해 metrics_table 및 summary_metrics에 포함된 결과를 집계해서 보여줍니다.

`PointwiseMetric`

인스턴스 수준 결과

열	설명
응답	모델에서 프롬프트에 대해 생성된 응답입니다.
점수	기준 및 평가 기준표에 따라 응답에 부여된 점수입니다. 점수에는 바이너리(0과 1), 리커트 척도(1~5, -2~2), 부동 소수점(0.0~1.0)을 사용할 수 있습니다.
설명	심사 모델로부터 해당 점수가 부여된 이유입니다. Google에서는 연쇄 사고 추론을 기반으로 심사 모델이 각 판정의 근거를 설명하도록 안내합니다. 심사 모델의 추론을 강제함으로써 평가 정확도를 높일 수 있습니다.

결과 집계

열	설명
평균 점수	모든 인스턴스의 평균 점수입니다.
표준 편차	모든 점수의 표준 편차입니다.

`PairwiseMetric`

인스턴스 수준 결과

열	설명
응답	후보 모델에서 프롬프트에 대해 생성된 응답입니다.
baseline_model_response	기준 모델에서 프롬프트에 대해 생성된 응답입니다.
pairwise_choice	더 나은 응답을 제공하는 모델입니다. 가능한 값은 CANDIDATE, BASELINE 또는 TIE입니다.
설명	심사 모델로부터 해당 점수가 선택된 이유입니다.

결과 집계

열	설명
candidate_model_win_rate	심사 모델에서 전체 응답 수에 비해 후보 모델이 더 나은 응답을 제공한다고 판단한 횟수의 비율입니다. 범위는 0~1입니다.
baseline_model_win_rate	심사 모델에서 전체 응답 수에 비해 기준 모델이 더 나은 응답을 제공한다고 판단한 횟수의 비율입니다. 범위는 0~1입니다.

계산 기반 측정항목

인스턴스 수준 결과

열	설명
응답	평가 중인 모델의 응답입니다.
참조	참조 응답입니다.
점수	점수는 각 응답/참조 쌍에 대해 계산됩니다.

결과 집계

열	설명
평균 점수	모든 인스턴스의 평균 점수입니다.
표준 편차	모든 점수의 표준 편차입니다.

예시

이 섹션의 예시에서는 평가 결과를 읽고 이해하는 방법을 보여줍니다.

예시 1

첫 번째 예시에서는 TEXT_QUALITY를 사용하여 특정 인스턴스를 개별적으로 평가합니다. TEXT_QUALITY 측정항목의 항목별 평가로 얻은 점수는 1~5점 범위 중 4점으로, 응답이 양호함을 나타냅니다. 또한 평가 결과에는 심사 모델이 더 높거나 낮은 점수 대신 4점을 할당한 이유에 대한 설명이 포함되어 있습니다.

데이터 세트

prompt: "다음 텍스트를 5세 어린이가 이해할 수 있는 방식으로 요약해 주세요. 콘텐츠 중재 정책의 반발에 직면한 소셜 미디어 플랫폼\n한 유명 소셜 미디어 플랫폼에서 사용자와 콘텐츠 제작자가 콘텐츠 중재 정책에 대한 불만을 표출하면서 논란에 휩싸였습니다. 편향적인 검열과 비일관적인 정책 시행 그리고 특정 관점에 대한 억압이 존재한다는 주장과 함께 해당 플랫폼이 언론의 자유를 방해한다면서 이용자들의 분노가 촉발되었습니다. 반대로, 해당 플랫폼은 안전하고 포용적인 온라인 환경을 유지하기 위한 목적으로 정책이 설계되었다고 주장합니다. 이러한 논란은 소셜 미디어가 사람들 간의 대화에 어떤 영향을 미치는지, 플랫폼이 온라인 콘텐츠 관리를 위해 어떤 역할을 수행해야 하는지와 같은 더 큰 질문에 대해 생각하게 만듭니다."
response: "사람들은 자신이 올리고 싶은 내용이 불공정하게 차단된다고 생각하기 때문에 화가 났습니다. 어떤 사람은 웹사이트 때문에 자신이 하고 싶은 말을 못한다고 말합니다. 하지만 웹사이트에서는 모든 사람의 안전을 위해 노력한다고 말합니다. 그래서 사람들은 이제 온라인으로 표현할 수 있는 내용을 웹사이트가 제한해야 하는지에 대해 궁금해하고 있습니다."

결과

score: 4,
explanation: 응답 요약은 5세 정도의 어린이가 이해할 수 있도록 컨텍스트를 요약하라는 지시를 따릅니다. 이는 컨텍스트에 기초를 두고 있으며 요약 시 중요한 세부정보를 제공합니다. 그러나 응답에 사용된 언어는 약간 장황한 편입니다.

예시 2

두 번째 예시는 PAIRWISE_QUESTION_ANSWERING_QUALITY에 대한 쌍 비교 평가입니다. pairwise_choice 결과는 심사 모델에서 프롬프트 질문의 답변으로 "프랑스는 서유럽에 위치한 국가입니다"라는 응답이 기본 응답인 "프랑스는 하나의 국가입니다"보다 선호됨을 나타냅니다. 항목별 결과와 비슷하게 기본 응답보다 후보 응답이 더 나은 이유를 설명하기 위해 설명이 제공되었습니다(이 경우 후보 응답이 더 유용함).

데이터 세트

prompt: "다음 단락을 기준으로 프랑스 위치를 묻는 질문에 답변해 줘. 프랑스는 서유럽에 위치한 국가입니다. 프랑스는 벨기에, 룩셈부르크, 독일, 스위스, 이탈리아, 모나코, 스페인, 안도라와 국경을 접하고 있습니다. 프랑스의 해안선은 영국 해협, 북해, 대서양, 지중해를 따라 펼쳐져 있습니다. 유구한 역사, 에펠탑과 같은 상징적인 명소, 맛있는 음식으로 잘 알려진 프랑스는 유럽은 물론 전 세계의 문화와 경제에서 중요한 역할을 합니다."
response: "프랑스는 서유럽에 위치한 국가입니다."
baseline_model_response: "프랑스는 국가입니다."

결과

pairwise_choice: CANDIDATE,
explanation: BASELINE 응답은 근거가 있지만 질문에 충실히 답변하지 않습니다. 그러나 CANDIDATE 응답은 정확하며 프랑스의 위치에 대한 유용한 세부정보를 제공합니다.

다음 단계

평가 예시 노트북 사용해 보기
생성형 AI 평가 알아보기