Skip to main content
Weave propose plusieurs évaluateurs prédéfinis pour évaluer vos applications d’IA, comme la détection des hallucinations et la qualité des résumés. Ils peuvent être utiles pour définir rapidement une évaluation et attribuer un score aux résultats de votre application.
Les évaluateurs locaux sont disponibles uniquement pour le SDK Python de Weave. Ils ne sont pas encore disponibles pour le SDK TypeScript de Weave.Pour utiliser les évaluateurs Weave en TypeScript, voir les évaluateurs basés sur des fonctions.

Installation

Pour utiliser les évaluateurs prédéfinis de Weave, vous devez installer certaines dépendances supplémentaires :
Évaluateurs LLM Mise à jour fév. 2025 : les évaluateurs prédéfinis qui exploitent des LLM s’intègrent désormais automatiquement à litellm. Vous n’avez plus besoin de passer un client LLM ; définissez simplement model_id. Voir les modèles pris en charge ici.

HallucinationFreeScorer

Ce scorer vérifie si la sortie de votre système d’IA contient des hallucinations au regard des données d’entrée.
Personnalisation :
  • Personnalisez les champs system_prompt et user_prompt du scorer pour définir ce que signifie pour vous une « hallucination ».
Notes :
  • La méthode score attend une colonne d’entrée nommée context. Si votre jeu de données utilise un autre nom, utilisez l’attribut column_map pour associer context à la colonne du jeu de données.
Voici un exemple dans le cadre d’une évaluation :

SummarizationScorer

Utilisez un LLM pour comparer un résumé au texte original et en évaluer la qualité.
Fonctionnement : Ce scorer évalue les résumés de deux manières :
  1. Densité d’entités : vérifie le ratio entre les entités uniques (comme des noms, des lieux ou des objets) mentionnées dans le résumé et le nombre total de mots qu’il contient, afin d’estimer sa « densité d’information ». Il utilise un LLM pour extraire les entités. Cette approche est similaire à l’utilisation de la densité d’entités dans le Chain of Density paper.
  2. Évaluation de la qualité : un évaluateur LLM classe le résumé comme poor, ok ou excellent. Ces appréciations sont ensuite converties en scores (0.0 pour poor, 0.5 pour ok et 1.0 pour excellent) pour l’évaluation agrégée des performances.
Personnalisation :
  • Ajustez summarization_evaluation_system_prompt et summarization_evaluation_prompt pour adapter le processus d’évaluation.
Notes :
  • Le scorer utilise litellm en interne.
  • La méthode score attend que le texte original (celui qui est résumé) soit présent dans la colonne input. Utilisez column_map si votre jeu de données utilise un autre nom.
Voici un exemple d’utilisation dans le cadre d’une évaluation :

OpenAIModerationScorer

Le OpenAIModerationScorer utilise l’API de modération d’OpenAI pour vérifier si la sortie générée par le système d’IA contient du contenu interdit, comme des discours haineux ou du contenu explicite.
Fonctionnement :
  • Envoie la sortie de l’IA à l’endpoint OpenAI Moderation et renvoie une réponse structurée indiquant si le contenu a été signalé.
Notes : Voici un exemple dans le contexte d’une évaluation :

EmbeddingSimilarityScorer

Le EmbeddingSimilarityScorer calcule la similarité cosinus entre les embeddings de la sortie du système d’IA et ceux d’un texte cible issu de votre jeu de données. Il est utile pour mesurer dans quelle mesure la sortie de l’IA ressemble à un texte de référence.
Paramètres :
  • threshold (float) : Le score minimal de similarité cosinus (entre -1 et 1) requis pour considérer que les deux textes sont similaires (valeur par défaut : 0.5).
Exemple d’utilisation : L’exemple suivant utilise EmbeddingSimilarityScorer dans le contexte d’une évaluation :

ValidJSONScorer

Le ValidJSONScorer vérifie si la sortie du système d’IA est un JSON valide. Ce scorer est utile lorsque vous attendez une sortie au format JSON et devez en vérifier la validité.
Voici un exemple dans le cadre d’une évaluation :

ValidXMLScorer

Le ValidXMLScorer vérifie si la sortie du système d’IA est du XML valide. Il est utile lorsque des sorties au format XML sont attendues.
Voici un exemple dans le cadre d’une évaluation :

PydanticScorer

Le PydanticScorer valide la sortie du système d’IA par rapport à un modèle Pydantic afin de garantir qu’elle respecte un schéma ou une structure de données donnés.

RAGAS - ContextEntityRecallScorer

Le ContextEntityRecallScorer estime le rappel du contexte en extrayant les entités à la fois de la sortie du système d’IA et du contexte fourni, puis en calculant le score de rappel. Il s’appuie sur la bibliothèque d’évaluation RAGAS.
Fonctionnement :
  • Utilise un LLM pour extraire les entités uniques de la sortie et du contexte, puis calcule le rappel.
  • Le rappel indique la proportion d’entités importantes du contexte présentes dans la sortie.
  • Renvoie un dictionnaire contenant le score de rappel.
Notes :

RAGAS - ContextRelevancyScorer

Le ContextRelevancyScorer évalue la pertinence du contexte fourni par rapport à la sortie du système d’IA. Il s’appuie sur la bibliothèque d’évaluation RAGAS.
Fonctionnement :
  • Utilise un LLM pour évaluer la pertinence du contexte par rapport à la sortie sur une échelle de 0 à 1.
  • Renvoie un dictionnaire contenant relevancy_score.
Notes :
  • Nécessite une colonne context dans votre jeu de données. Utilisez l’attribut column_map si le nom de la colonne est différent.
  • Personnalisez le relevancy_prompt pour définir comment la pertinence est évaluée.
Voici un exemple d’utilisation dans le cadre d’une évaluation :
Remarque : Les évaluateurs intégrés ont été calibrés à l’aide de modèles OpenAI, tels que openai/gpt-4o et openai/text-embedding-3-small. Si vous souhaitez tester d’autres fournisseurs, vous pouvez modifier le champ model_id pour utiliser un autre modèle. Par exemple, pour utiliser un modèle Anthropic :