AI大模型探索之路-应用篇11：AI大模型应用智能评估（Ragas）

前言

一、为什么要做智能评估？

二、Ragas是什么？

三、Ragas使用场景

四、Ragas评估指标

五、Ragas代码实践

总结

前言

随着人工智能技术的飞速发展，AI大模型（LLM）已经成为了推动技术创新和应用的关键因素。这些大模型在语言理解、图像识别、自然语言生成等领域展现出了惊人的能力。然而，随着模型规模的增大，它们对计算资源的消耗、环境适应性、模型稳定性、安全性和可解释性等方面也提出了新的挑战。因此，对AI大模型进行智能评估变得至关重要，以确保它们在实际应用中的稳定性、可靠性和有效性。本文将详细介绍Ragas框架，一个专为AI大模型设计的智能评估工具。

一、为什么要做智能评估？

AI大模型的复杂性和规模使得传统的评估方法不再适用。这些模型通常包含数亿甚至数万亿个参数，这使得它们能够在各种复杂的任务中取得出色的表现。然而，这也带来了以下问题：
1. 计算资源消耗：大模型的训练和推理过程需要大量的计算资源，这可能导致昂贵的成本和环境影响。
2. 环境适应性：模型在不同环境和数据分布下的表现可能会有所不同，这可能影响其适用性。
3. 模型稳定性：面对异常输入或长时间运行，模型的稳定性成为关注的重点。
4. 安全性和隐私：模型可能会泄露训练数据中的敏感信息，或者生成不当内容。
5. 可解释性：由于模型的复杂性，解释模型的决策过程对于某些应用来说是难以接受的。

因此，对AI大模型进行全面的智能评估是确保其在实际应用中稳定性、可靠性和有效性的关键步骤。

二、Ragas是什么？

Ragas（Retrieval-Augmented Generation, RAG）框架是一个综合性的智能评估工具，它专为AI大模型设计，用于评估模型的性能、适用性、稳定性、安全性和可解释性等多个维度。Ragas的主要目标是为开发者、研究人员和决策者提供一个全面的评估工具，以帮助他们了解模型的优势和潜在的风险。

Ragas的功能特点包括：
1. 模块化设计：采用模块化设计，用户可根据具体的评估需求灵活地选择和组合不同的评估模块。
2. 自动化流程：提供自动化的评估流程，减少了人工干预的需求，提高了评估的效率和一致性。
3. 多维度评估：支持从多个维度对AI模型进行评估，包括性能、适用性、稳定性和可解释性等。
4. 用户界面：提供有直观的用户界面，使得用户设置评估参数、启动评估过程并查看评估结果。
5. 基准测试：Ragas可以与预定义的基准模型进行比较，评估AI模型的性能。
6. 适用性分析：Ragas能够分析模型在不同数据集上的适用性，识别模型的泛化能力。
7. 压力测试：Ragas可以模拟高负载情况下的模型表现，评估其稳定性。
8. 安全审计：Ragas检测模型是否存在潜在的安全风险，如数据泄露风险。
9. 可解释性分析：Ragas提供模型决策的解释，帮助用户理解模型的行为。

三、Ragas使用场景

Ragas适用于多种AI大模型的应用场景，包括但不限于：
1. 自然语言处理：Ragas可以用于评估文本分类、机器翻译、情感分析等任务的模型。
2. 图像识别：Ragas可以用于评估图像分类、目标检测、风格迁移等任务的模型。
3. 语音处理：Ragas可以用于评估语音识别、语音合成等任务的模型。

使用Ragas的场景通常是在模型开发和部署的关键环节，例如：
1. 模型选择：在选择合适的模型时，可以使用Ragas来评估不同模型的性能和适用性。
2. 模型优化：在模型开发过程中，可以使用Ragas来监控模型的表现，并根据评估结果进行优化。
3. 风险管理：在模型部署前，可以使用Ragas来评估模型的安全性和稳定性，以减少潜在的风险。

四、Ragas评估指标

Ragas提供了专门针对不同类型的embeddings的评估方法，例如对主流的OpenAI embeddings和BGE (Big Generative Models) embeddings等进行评估。此外，Ragas还提出了五种评估指标，包括忠实度、答案相关性、上下文精度、上下文召回率和上下文相关性，这些指标旨在量化评估检索增强生成（Retrieval-Augmented Generation, RAG）流程的性能。因此它特别适用于评估RAG应用。通过测量查询、检索到的上下文以及语言模型生成的回答之间的相关性来评估RAG的有效性。这种评估方法不需要访问人工注释的数据集或参考答案，使得评估过程更为简便和高效。
Ragas的五大评估指标
1)忠实度（Faithfulness）：
数据范围：(0, 1)
判断标准：越高越好。
指标含义：忠实度衡量生成的答案与给定上下文的事实一致性。如果答案中的所有基本事实都可以从上下文中推断出来，则认为答案是忠实的。这意味着答案在内容上没有与上下文相矛盾的地方。
问题参考：Q: 请描述一种健康饮食的建议。
正面样例：A: 健康饮食建议包括多吃水果、蔬菜、全谷物，减少糖分和加工食品的摄入。
反面样例：A: 健康饮食建议包括吃快餐和糖果，完全避免蔬菜和水果。

2)答案相关性（Answer Relevancy）：
数据范围：(0, 1)
判断标准：越高越好。
指标含义：答案相关性评估生成的答案与问题的相关性。一个高相关性的答案意味着它直接且准确地回答了问题。
问题参考：Q: 谁是《哈姆雷特》的作者？
正面样例：A: 威廉·莎士比亚是《哈姆雷特》的作者。
反面样例：A: 《哈姆雷特》是一部科幻小说。

3)上下文精度（Context Precision）：
数据范围：(0, 1)
判断标准：越高越好。
指标含义：上下文精度评估检索到的上下文与问题和答案的相关程度。高上下文精度意味着检索到的上下文信息与问题紧密相关，对于生成答案有帮助。
问题参考：Q: 根据以下上下文，皮特下一步应该做什么？他正在厨房里准备晚餐，炉子上有一锅炖菜。
正面样例：A: 皮特下一步应该检查炖菜是否煮熟。
反面样例：A: 皮特下一步应该去洗车。

4)上下文召回率（Context Recall）
数据范围：(0, 1)
判断标准：越高越好
指标含义：上下文召回率评估在生成答案时使用的上下文信息是否全面。高上下文召回率表明RAG系统能够检索出与问题相关的大部分上下文信息。
问题参考：Q: 昨天你提到了哪些电影？
正面样例：A: 昨天我提到了《教父》、《泰坦尼克号》和《阿凡达》。
反面样例：A: 昨天我提到了《教父》。

5)上下文相关性（Context Relevance）
数据范围：(0, 1)
判断标准：越高越好。
指标含义：上下文相关性衡量输入查询、检索上下文和LLM生成的响应之间的相关性。这个指标有助于评估RAG系统的整体性能，即各个组件如何协同工作以产生准确的答案。
问题参考：Q: 你昨天提到的电影中，哪一部赢得了奥斯卡最佳影片奖？
正面样例：A: 《教父》赢得了奥斯卡最佳影片奖。
反面样例：A: 《阿凡达》赢得了奥斯卡最佳动画长片奖。
通过这些指标，Ragas框架能够为RAG系统提供一个全面的评估，帮助开发者和研究人员理解系统的表现，并指导他们进行进一步的优化和改进。这些指标的设计旨在不需要访问人工注释的数据集或参考答案，使得评估过程更为简便和高效。
注意：在某些特殊情况下，这些指标之间的权衡可能会导致不同的结论。例如，如果一个模型在提高上下文精确度（Context Precision）的同时可能就会降低了上下文召回率（Context Recall），因此实际应用中，需要根据具体情况来判断哪个指标更关键。

五、Ragas代码实践

1)安装依赖
pip install ragas==0.0.22
注意：安装0.0.22版本，不要安装最新的ragas，ragas的新版本和Langchain暂不兼容

2）导入依赖、定义模型

from langchain.vectorstores import FAISS
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA
import  os
import openai
import  time

openai.api_key = os.getenv("OPENAI_API_KEY")

#定义模型
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

3）准备本地文档资料，用作测试样本

#准备本地文档资料，即测试样本
doc_list = """
1. 美国总统是谁？
   拜登
2. 印度人吃饭的工具是什么？
   右手
3. CBA是什么？
   CBA是指中国男子篮球职业联赛（China Basketball Association），这是中国最高等级的篮球联赛
4. 佛教起源哪里？
   古印度
5. 美国的职业篮球赛叫什么？
   NBA，全称为National Basketball Association，中文名为美国职业篮球联赛，是北美地区的最高等级职业篮球赛事
"""

4）将文档分割成小块，存储到向量数据库

#文档拆分分块
text_spliter = CharacterTextSplitter(separator="\n",
                                     chunk_size=500,
                                     chunk_overlap=50,
                                     length_function=len)
chunks = text_spliter.split_text(doc_list)

5）将文档的块数据embedding到向量数据库

#文档embedding到向量数据库
embedding_model = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(texts=chunks,
                                  embedding=embedding_model)

6）构建chain链

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever(),
    return_source_documents=True,
)

7）测试样例准备

## 定义要测试的样本问题，可以定义多个，这里方便看测试效果，暂只定义1个
eval_questions = [
    "美国总统是谁？"
]

eval_answers = [
    "拜登"
]

examples = [
    {"query": q, "ground_truths": [eval_answers[i]]}
    for i, q in enumerate(eval_questions)
]
## 看一下从知识库里搜索出来的答案
result = qa_chain({"query": eval_questions[0]})
print(result)
{'query': '美国总统是谁？', 'result': '美国总统是拜登。', 'source_documents': [Document(page_content='1. 美国总统是谁？\n   拜登\n2. 印度人吃饭的工具是什么？\n   右手\n3. CBA是什么？\n   CBA是指中国男子篮球职业联赛（China Basketball Association），这是中国最高等级的篮球联赛\n4. 佛教起源哪里？\n   古印度\n5. 美国的职业篮球赛叫什么？\n   NBA，全称为National Basketball Association，中文名为美国职业篮球联赛，是北美地区的最高等级职业篮球赛事\n6. 什么是LangChain?\nLangChain是一个开源框架,允许从事人工智能的开发者将例如GPT-4的大语言模型与外部计算和数据来源结合起来。该框架目前以Python或JavaScript包的形式提供。\n7. 什么是大模型？\n大模型（Large Language Models）是一种人工智能模型，被训练成理解和生成人类语言。\n大模型通常是指具有数百万到数十亿参数的神经网络模型，需要大量的计算资源和存储空间来训练和存储，并且往往需要进行分布式计算和特殊的硬件加速技术。\n8. 什么是AIGC？'), Document(page_content='8. 什么是AIGC？\nAIGC，即AI-Generated Content，是一种利用人工智能技术自动生成的内容。它涵盖了多种内容形式，包括但不限于图片、视频、音乐和文字等。')]}

8）创建评估测试链，评估结果对比

##评估测试
from ragas.metrics import (
    faithfulness,
    answer_relevancy,
    context_precision,
    context_recall,
    context_relevancy,
)

# 1.创建"忠诚度"评估chains链
faithfulness_chain = RagasEvaluatorChain(metric=faithfulness)
# 2.创建“答案相关性”评估链
answer_rel_chain = RagasEvaluatorChain(metric=answer_relevancy)
# 3.创建“上下文精准度”评估链
context_pre_chain = RagasEvaluatorChain(metric=context_precision)
# 4.创建“上下文召回率”评估链
context_recall_chain = RagasEvaluatorChain(metric=context_recall)
# 5.创建“上下文相关性”评估链
context_relevancy_chain = RagasEvaluatorChain(metric=context_relevancy)

##预测值
predict = qa_chain.batch(examples)
##预测值与真实值对比
result1 = faithfulness_chain.evaluate(examples,predict)
print(result1)
time.sleep(30)

result2 = answer_rel_chain.evaluate(examples,predict)
print(result2)
time.sleep(30)

result3 = context_pre_chain.evaluate(examples,predict)
print(result3)
time.sleep(30)

result4 = context_recall_chain.evaluate(examples,predict)
print(result4)
time.sleep(30)

result5 = context_relevancy_chain.evaluate(examples,predict)
print(result5)

总结

总之，AI大模型的智能评估是一个复杂而重要的任务。Ragas框架作为一个综合性的评估工具，为用户提供了从多个维度全面评估AI模型的能力。通过使用Ragas，用户可以更好地了解模型的优势和潜在风险，从而做出更明智的决策和优化方向。随着AI技术的不断发展，智能评估工具和方法也将不断进步，以满足不断增长的AI应用需求。

探索未知，分享所知；点击关注，码路同行，寻道人生！