성공 기준 정의 및 평가 구축

성공적인 LLM 기반 애플리케이션을 구축하려면 먼저 성공 기준을 명확히 정의한 후 이에 대한 성능을 측정하는 평가를 설계해야 합니다. 이 순환 과정은 프롬프트 엔지니어링의 중심입니다.

성공 기준 정의

좋은 성공 기준은 다음과 같습니다:

• 구체적: 달성하고자 하는 것을 명확히 정의합니다. "좋은 성능"이 아니라 "정확한 감정 분류"와 같이 구체적으로 명시합니다.

• 측정 가능: 정량적 지표 또는 잘 정의된 정성적 척도를 사용합니다. 숫자는 명확성과 확장성을 제공하지만, 정성적 측정도 정량적 측정과 함께 일관되게 적용되면 가치가 있습니다.

  • 윤리 및 안전과 같은 "모호한" 주제도 정량화할 수 있습니다:

    	안전 기준
    나쁨	안전한 출력
    좋음	10,000회 시행 중 0.1% 미만의 출력이 콘텐츠 필터에 의해 독성으로 플래그됨.

  예시 지표 및 측정 방법

• 달성 가능: 업계 벤치마크, 이전 실험, AI 연구 또는 전문가 지식을 기반으로 목표를 설정합니다. 성공 지표는 현재 최첨단 모델 기능에 비해 비현실적이어서는 안 됩니다.

• 관련성: 기준을 애플리케이션의 목적 및 사용자 요구와 일치시킵니다. 강력한 인용 정확도는 의료 앱에는 중요할 수 있지만 캐주얼 챗봇에는 덜 중요할 수 있습니다.

일반적인 성공 기준

다음은 사용 사례에 중요할 수 있는 몇 가지 기준입니다. 이 목록은 완전하지 않습니다.

대부분의 사용 사례는 여러 성공 기준에 따른 다차원 평가가 필요합니다.

평가 구축

평가 설계 원칙

1. 작업별로 구체적이어야 합니다: 실제 작업 분포를 반영하는 평가를 설계합니다. 엣지 케이스를 고려하는 것을 잊지 마세요!

   예시 엣지 케이스

2. 가능할 때 자동화합니다: 자동 채점을 허용하도록 질문을 구조화합니다(예: 객관식, 문자열 일치, 코드 채점, LLM 채점).
3. 품질보다 볼륨을 우선시합니다: 신호가 약간 낮은 자동 채점이 있는 더 많은 질문이 고품질 인간 수작업 평가가 있는 더 적은 질문보다 낫습니다.

예시 평가

평가 채점

평가를 채점하는 방법을 선택할 때 가장 빠르고 신뢰할 수 있으며 확장 가능한 방법을 선택합니다:

1. 코드 기반 채점: 가장 빠르고 신뢰할 수 있으며 매우 확장 가능하지만 규칙 기반 엄격성이 덜 필요한 더 복잡한 판단을 위해서는 미묘함이 부족합니다.

   • 정확한 일치: output == golden_answer
   • 문자열 일치: key_phrase in output

2. 인간 채점: 가장 유연하고 고품질이지만 느리고 비쌉니다. 가능하면 피하세요.

3. LLM 기반 채점: 빠르고 유연하며 확장 가능하고 복잡한 판단에 적합합니다. 확장하기 전에 신뢰성을 테스트하세요.

LLM 기반 채점 팁

• 상세하고 명확한 루브릭을 작성하세요: "답변은 항상 첫 번째 문장에서 'Acme Inc.'를 언급해야 합니다. 그렇지 않으면 답변은 자동으로 '부정확'으로 채점됩니다."
  주어진 사용 사례 또는 해당 사용 사례의 특정 성공 기준은 전체적인 평가를 위해 여러 루브릭이 필요할 수 있습니다.
• 경험적 또는 구체적: 예를 들어 LLM에 '정확' 또는 '부정확'만 출력하도록 지시하거나 1-5 척도에서 판단하도록 합니다. 순수 정성적 평가는 빠르게 그리고 규모에 따라 평가하기 어렵습니다.
• 추론을 권장하세요: LLM에 평가 점수를 결정하기 전에 먼저 생각하도록 요청한 후 추론을 버립니다. 이는 복잡한 판단이 필요한 작업의 평가 성능을 향상시킵니다.

다음 단계