Crear evaluaciones empíricas sólidas
Después de definir tus criterios de éxito, el siguiente paso es diseñar evaluaciones para medir el rendimiento del LLM contra esos criterios. Esta es una parte vital del ciclo de ingeniería de prompts.
Esta guía se centra en cómo desarrollar tus casos de prueba.
Construyendo evaluaciones y casos de prueba
Principios de diseño de evaluaciones
- Sé específico para la tarea: Diseña evaluaciones que reflejen la distribución de tus tareas del mundo real. ¡No olvides tener en cuenta los casos extremos!
- Automatiza cuando sea posible: Estructura las preguntas para permitir la calificación automatizada (por ejemplo, opción múltiple, coincidencia de cadenas, calificación por código, calificación por LLM).
- Prioriza el volumen sobre la calidad: Más preguntas con calificación automatizada de señal ligeramente más baja es mejor que menos preguntas con evaluaciones calificadas manualmente de alta calidad.
Ejemplos de evaluaciones
Calificando evaluaciones
Al decidir qué método usar para calificar evaluaciones, elige el método más rápido, más confiable y más escalable:
-
Calificación basada en código: La más rápida y confiable, extremadamente escalable, pero también carece de matices para juicios más complejos que requieren menos rigidez basada en reglas.
- Coincidencia exacta:
output == golden_answer
- Coincidencia de cadena:
key_phrase in output
- Coincidencia exacta:
-
Calificación humana: La más flexible y de alta calidad, pero lenta y costosa. Evitar si es posible.
-
Calificación basada en LLM: Rápida y flexible, escalable y adecuada para juicios complejos. Prueba primero para asegurar la confiabilidad y luego escala.
Consejos para la calificación basada en LLM
- Ten rúbricas detalladas y claras: “La respuesta siempre debe mencionar ‘Acme Inc.’ en la primera oración. Si no lo hace, la respuesta se califica automáticamente como ‘incorrecta’.”
Un caso de uso dado, o incluso un criterio de éxito específico para ese caso de uso, podría requerir varias rúbricas para una evaluación holística.
- Empírico o específico: Por ejemplo, instruye al LLM para que muestre solo ‘correcto’ o ‘incorrecto’, o para que juzgue en una escala de 1-5. Las evaluaciones puramente cualitativas son difíciles de evaluar rápidamente y a escala.
- Fomenta el razonamiento: Pide al LLM que piense primero antes de decidir una puntuación de evaluación, y luego descarta el razonamiento. Esto aumenta el rendimiento de la evaluación, particularmente para tareas que requieren un juicio complejo.
Siguientes pasos
Was this page helpful?