Creare valutazioni empiriche solide

Dopo aver definito i tuoi criteri di successo, il passo successivo è progettare valutazioni per misurare le prestazioni dell'LLM rispetto a quei criteri. Questa è una parte vitale del ciclo di ingegneria dei prompt.

Questa guida si concentra su come sviluppare i tuoi casi di test.

Costruire valutazioni e casi di test

Principi di progettazione delle valutazioni

1. Essere specifici per il compito: Progetta valutazioni che rispecchino la distribuzione del tuo compito nel mondo reale. Non dimenticare di considerare i casi limite!

   Esempi di casi limite

2. Automatizzare quando possibile: Struttura le domande per consentire la valutazione automatizzata (ad es., scelta multipla, corrispondenza di stringhe, valutazione tramite codice, valutazione tramite LLM).
3. Dare priorità al volume rispetto alla qualità: Più domande con valutazione automatizzata di segnale leggermente inferiore è meglio di meno domande con valutazioni manuali di alta qualità valutate da umani.

Esempi di valutazioni

Valutare le valutazioni

Quando decidi quale metodo utilizzare per valutare le valutazioni, scegli il metodo più veloce, più affidabile e più scalabile:

1. Valutazione basata su codice: Più veloce e più affidabile, estremamente scalabile, ma manca anche di sfumature per giudizi più complessi che richiedono meno rigidità basata su regole.

   • Corrispondenza esatta: output == golden_answer
   • Corrispondenza di stringa: key_phrase in output

2. Valutazione umana: Più flessibile e di alta qualità, ma lenta e costosa. Evita se possibile.

3. Valutazione basata su LLM: Veloce e flessibile, scalabile e adatta per giudizi complessi. Testa prima per assicurare l'affidabilità poi scala.

Suggerimenti per la valutazione basata su LLM

• Avere rubriche dettagliate e chiare: "La risposta dovrebbe sempre menzionare 'Acme Inc.' nella prima frase. Se non lo fa, la risposta viene automaticamente valutata come 'incorretta.'"
  Un dato caso d'uso, o anche un criterio di successo specifico per quel caso d'uso, potrebbe richiedere diverse rubriche per una valutazione olistica.
• Empirico o specifico: Ad esempio, istruisci l'LLM a produrre solo 'corretto' o 'incorretto', o a giudicare da una scala di 1-5. Le valutazioni puramente qualitative sono difficili da valutare rapidamente e su scala.
• Incoraggiare il ragionamento: Chiedi all'LLM di pensare prima prima di decidere un punteggio di valutazione, e poi scarta il ragionamento. Questo aumenta le prestazioni di valutazione, particolarmente per compiti che richiedono giudizi complessi.

Prossimi passi