Оценка с помощью Arize Pheonix
В этом руководстве показано, как использовать Arize Pheonix для оценки конвейера Retrieval-Augmented Generation (RAG), построенного на базе Milvus.
Система RAG объединяет поисковую систему с генеративной моделью для создания нового текста на основе заданного запроса. Сначала система извлекает релевантные документы из корпуса с помощью Milvus, а затем использует генеративную модель для создания нового текста на основе извлеченных документов.
Arize Pheonix - это фреймворк, который помогает оценить конвейеры RAG. Существуют инструменты и фреймворки, которые помогают создавать такие конвейеры, но оценить их и определить количественную производительность может быть непросто. Именно здесь на помощь приходит Arize Pheonix.
Предварительные условия
Прежде чем запускать этот блокнот, убедитесь, что у вас установлены следующие зависимости:
$ pip install --upgrade pymilvus openai requests tqdm pandas "arize-phoenix>=4.29.0" nest_asyncio
Если вы используете Google Colab, для включения только что установленных зависимостей вам может потребоваться перезапустить среду выполнения (нажмите на меню "Runtime" в верхней части экрана и выберите "Restart session" из выпадающего меню).
В этом примере мы будем использовать OpenAI в качестве LLM. Вы должны подготовить api ключ OPENAI_API_KEY
в качестве переменной окружения.
import os
# os.environ["OPENAI_API_KEY"] = "sk-*****************"
Определение конвейера RAG
Мы определим класс RAG, использующий Milvus в качестве векторного хранилища и OpenAI в качестве LLM. Класс содержит метод load
, который загружает текстовые данные в Milvus, метод retrieve
, который извлекает наиболее похожие на заданный вопрос текстовые данные, и метод answer
, который отвечает на заданный вопрос с помощью извлеченных знаний.
from typing import List
from tqdm import tqdm
from openai import OpenAI
from pymilvus import MilvusClient
class RAG:
"""
RAG(Retrieval-Augmented Generation) class built upon OpenAI and Milvus.
"""
def __init__(self, openai_client: OpenAI, milvus_client: MilvusClient):
self._prepare_openai(openai_client)
self._prepare_milvus(milvus_client)
def _emb_text(self, text: str) -> List[float]:
return (
self.openai_client.embeddings.create(input=text, model=self.embedding_model)
.data[0]
.embedding
)
def _prepare_openai(
self,
openai_client: OpenAI,
embedding_model: str = "text-embedding-3-small",
llm_model: str = "gpt-4o-mini",
):
self.openai_client = openai_client
self.embedding_model = embedding_model
self.llm_model = llm_model
self.SYSTEM_PROMPT = """
Human: You are an AI assistant. You are able to find answers to the questions from the contextual passage snippets provided.
"""
self.USER_PROMPT = """
Use the following pieces of information enclosed in <context> tags to provide an answer to the question enclosed in <question> tags.
<context>
{context}
</context>
<question>
{question}
</question>
"""
def _prepare_milvus(
self, milvus_client: MilvusClient, collection_name: str = "rag_collection"
):
self.milvus_client = milvus_client
self.collection_name = collection_name
if self.milvus_client.has_collection(self.collection_name):
self.milvus_client.drop_collection(self.collection_name)
embedding_dim = len(self._emb_text("demo"))
self.milvus_client.create_collection(
collection_name=self.collection_name,
dimension=embedding_dim,
metric_type="IP",
consistency_level="Strong",
)
def load(self, texts: List[str]):
"""
Load the text data into Milvus.
"""
data = []
for i, line in enumerate(tqdm(texts, desc="Creating embeddings")):
data.append({"id": i, "vector": self._emb_text(line), "text": line})
self.milvus_client.insert(collection_name=self.collection_name, data=data)
def retrieve(self, question: str, top_k: int = 3) -> List[str]:
"""
Retrieve the most similar text data to the given question.
"""
search_res = self.milvus_client.search(
collection_name=self.collection_name,
data=[self._emb_text(question)],
limit=top_k,
search_params={"metric_type": "IP", "params": {}}, # inner product distance
output_fields=["text"], # Return the text field
)
retrieved_texts = [res["entity"]["text"] for res in search_res[0]]
return retrieved_texts[:top_k]
def answer(
self,
question: str,
retrieval_top_k: int = 3,
return_retrieved_text: bool = False,
):
"""
Answer the given question with the retrieved knowledge.
"""
retrieved_texts = self.retrieve(question, top_k=retrieval_top_k)
user_prompt = self.USER_PROMPT.format(
context="\n".join(retrieved_texts), question=question
)
response = self.openai_client.chat.completions.create(
model=self.llm_model,
messages=[
{"role": "system", "content": self.SYSTEM_PROMPT},
{"role": "user", "content": user_prompt},
],
)
if not return_retrieved_text:
return response.choices[0].message.content
else:
return response.choices[0].message.content, retrieved_texts
Инициализируем класс RAG с клиентами OpenAI и Milvus.
openai_client = OpenAI()
milvus_client = MilvusClient(uri="./milvus_demo.db")
my_rag = RAG(openai_client=openai_client, milvus_client=milvus_client)
Что касается аргумента MilvusClient
:
- Установка
uri
в качестве локального файла, например,./milvus.db
, является наиболее удобным методом, так как автоматически использует Milvus Lite для хранения всех данных в этом файле. - Если у вас большой объем данных, вы можете настроить более производительный сервер Milvus на docker или kubernetes. В этом случае используйте ури сервера, например
http://localhost:19530
, в качествеuri
. - Если вы хотите использовать Zilliz Cloud, полностью управляемый облачный сервис для Milvus, измените
uri
иtoken
, которые соответствуют публичной конечной точке и ключу Api в Zilliz Cloud.
Запустите конвейер RAG и получите результаты
Мы используем руководство по разработке Milvus в качестве приватного знания в нашем RAG, которое является хорошим источником данных для простого конвейера RAG.
Скачайте его и загрузите в конвейер RAG.
import urllib.request
import os
url = "https://raw.githubusercontent.com/milvus-io/milvus/master/DEVELOPMENT.md"
file_path = "./Milvus_DEVELOPMENT.md"
if not os.path.exists(file_path):
urllib.request.urlretrieve(url, file_path)
with open(file_path, "r") as file:
file_text = file.read()
text_lines = file_text.split("# ")
my_rag.load(text_lines)
Creating embeddings: 100%|██████████| 47/47 [00:12<00:00, 3.84it/s]
Определим вопрос запроса о содержании документации руководства по разработке. А затем воспользуемся методом answer
, чтобы получить ответ и извлеченные контекстные тексты.
question = "what is the hardware requirements specification if I want to build Milvus and run from source code?"
my_rag.answer(question, return_retrieved_text=True)
('The hardware requirements specification to build and run Milvus from source code are:\n\n- 8GB of RAM\n- 50GB of free disk space',
['Hardware Requirements\n\nThe following specification (either physical or virtual machine resources) is recommended for Milvus to build and run from source code.\n\n```\n- 8GB of RAM\n- 50GB of free disk space\n```\n\n##',
'Building Milvus on a local OS/shell environment\n\nThe details below outline the hardware and software requirements for building on Linux and MacOS.\n\n##',
"Software Requirements\n\nAll Linux distributions are available for Milvus development. However a majority of our contributor worked with Ubuntu or CentOS systems, with a small portion of Mac (both x86_64 and Apple Silicon) contributors. If you would like Milvus to build and run on other distributions, you are more than welcome to file an issue and contribute!\n\nHere's a list of verified OS types where Milvus can successfully build and run:\n\n- Debian/Ubuntu\n- Amazon Linux\n- MacOS (x86_64)\n- MacOS (Apple Silicon)\n\n##"])
Теперь подготовим несколько вопросов с соответствующими им ответами. Мы получим ответы и контексты из нашего конвейера RAG.
from datasets import Dataset
import pandas as pd
question_list = [
"what is the hardware requirements specification if I want to build Milvus and run from source code?",
"What is the programming language used to write Knowhere?",
"What should be ensured before running code coverage?",
]
ground_truth_list = [
"If you want to build Milvus and run from source code, the recommended hardware requirements specification is:\n\n- 8GB of RAM\n- 50GB of free disk space.",
"The programming language used to write Knowhere is C++.",
"Before running code coverage, you should make sure that your code changes are covered by unit tests.",
]
contexts_list = []
answer_list = []
for question in tqdm(question_list, desc="Answering questions"):
answer, contexts = my_rag.answer(question, return_retrieved_text=True)
contexts_list.append(contexts)
answer_list.append(answer)
df = pd.DataFrame(
{
"question": question_list,
"contexts": contexts_list,
"answer": answer_list,
"ground_truth": ground_truth_list,
}
)
rag_results = Dataset.from_pandas(df)
df
/Users/eureka/miniconda3/envs/zilliz/lib/python3.9/site-packages/tqdm/auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html
from .autonotebook import tqdm as notebook_tqdm
Answering questions: 100%|██████████| 3/3 [00:03<00:00, 1.04s/it]
вопрос | контексты | ответ | обоснованная_истина | |
---|---|---|---|---|
0 | Что такое спецификация требований к оборудованию... | [Требования к аппаратному обеспечению\n\nСледующая специф... | Спецификация требований к аппаратному обеспечению для бу... | Если вы хотите собрать Milvus и запустить его из источн... |
1 | Какой язык программирования используется для написа... | [CMake & Conan\n\nБиблиотека алгоритмов Mil... | Язык программирования, используемый для написания Knowher... | Язык программирования, используемый для написания Knowher... |
2 | Что необходимо убедиться перед запуском кода, покрыв... | [Покрытие кода\n\nПеред отправкой вашего pull ... | Перед запуском покрытия кода следует убедиться, что... | Перед выполнением покрытия кода необходимо сделать ... |
Оценка с помощью Arize Phoenix
Мы используем Arize Phoenix для оценки нашего конвейера поиска-дополнения (RAG), фокусируясь на двух ключевых метриках:
Оценка галлюцинаций: Определяет, является ли содержимое фактическим или галлюцинаторным (информация, не основанная на контексте), обеспечивая целостность данных.
- Объяснение галлюцинации: Объясняет, почему ответ является фактическим или нет.
Оценка качества: Оценивает точность ответов модели на входные запросы.
- Объяснение QA: Подробно объясняет, почему ответ является правильным или неправильным.
Обзор трассировки Phoenix
Phoenix обеспечивает OTEL-совместимую трассировку для LLM-приложений, с интеграцией таких фреймворков, как Langchain, LlamaIndex, и SDK, таких как OpenAI и Mistral. Трассировка фиксирует весь поток запросов, позволяя понять следующее:
- Латентность приложений: Выявление и оптимизация медленных вызовов LLM и производительности компонентов.
- Использование токенов: Разбивка потребления токенов для оптимизации затрат.
- Исключения времени выполнения: Выявление критических проблем, таких как ограничение скорости.
- Извлеченные документы: Анализ поиска документов, их количества и порядка.
Используя трассировку Phoenix, вы сможете выявить узкие места, оптимизировать ресурсы и обеспечить надежность системы на различных платформах и языках.
import phoenix as px
from phoenix.trace.openai import OpenAIInstrumentor
# To view traces in Phoenix, you will first have to start a Phoenix server. You can do this by running the following:
session = px.launch_app()
# Initialize OpenAI auto-instrumentation
OpenAIInstrumentor().instrument()
🌍 To view the Phoenix app in your browser, visit http://localhost:6006/
📖 For more information on how to use Phoenix, check out https://docs.arize.com/phoenix
Alt-текст
import nest_asyncio
from phoenix.evals import HallucinationEvaluator, OpenAIModel, QAEvaluator, run_evals
nest_asyncio.apply() # This is needed for concurrency in notebook environments
# Set your OpenAI API key
eval_model = OpenAIModel(model="gpt-4o")
# Define your evaluators
hallucination_evaluator = HallucinationEvaluator(eval_model)
qa_evaluator = QAEvaluator(eval_model)
# We have to make some minor changes to our dataframe to use the column names expected by our evaluators
# for `hallucination_evaluator` the input df needs to have columns 'output', 'input', 'context'
# for `qa_evaluator` the input df needs to have columns 'output', 'input', 'reference'
df["context"] = df["contexts"]
df["reference"] = df["contexts"]
df.rename(columns={"question": "input", "answer": "output"}, inplace=True)
assert all(
column in df.columns for column in ["output", "input", "context", "reference"]
)
# Run the evaluators, each evaluator will return a dataframe with evaluation results
# We upload the evaluation results to Phoenix in the next step
hallucination_eval_df, qa_eval_df = run_evals(
dataframe=df,
evaluators=[hallucination_evaluator, qa_evaluator],
provide_explanation=True,
)
run_evals |██████████| 6/6 (100.0%) | ⏳ 00:03<00:00 | 1.64it/s
results_df = df.copy()
results_df["hallucination_eval"] = hallucination_eval_df["label"]
results_df["hallucination_explanation"] = hallucination_eval_df["explanation"]
results_df["qa_eval"] = qa_eval_df["label"]
results_df["qa_explanation"] = qa_eval_df["explanation"]
results_df.head()
input | контексты | выход | ground_truth | контекст | ссылка | галлюцинация_вывод | галлюцинация_объяснение | qa_eval | qa_explanation | |
---|---|---|---|---|---|---|---|---|---|---|
0 | что такое спецификация требований к оборудованию... | [Требования к аппаратному обеспечению\n\nСледующая специф... | Спецификация требований к аппаратному обеспечению для бу... | Если вы хотите собрать Milvus и запустить его из источн... | [Требования к аппаратному обеспечению\n\nСледующая специф... | [Требования к аппаратному обеспечению\n\nСледующая специф... | фактический | Чтобы определить, является ли ответ фактическим или галлю... | правильный | Чтобы определить, является ли ответ правильным, нам нужно... |
1 | Какой язык программирования используется для написания... | [CMake & Conan\n\nБиблиотека алгоритмов Mil... | Язык программирования, используемый для написания Knowher... | Язык программирования, используемый для написания Knowher... | [CMake & Conan\n\nБиблиотека алгоритмов Mil... | [CMake & Conan\n\nБиблиотека алгоритмов Mil... | фактический | Чтобы определить, является ли ответ фактическим или галлю... | правильный | Чтобы определить, является ли ответ правильным, нам нужно... |
2 | Что необходимо обеспечить перед запуском проверки покрытия кода... | [Покрытие кода\n\nПеред отправкой вашего pull ... | Перед запуском покрытия кода следует убедиться, что... | Перед выполнением покрытия кода необходимо сделать ... | [Code coverage\n\nBefore submitting your pull ... | [Code coverage\n\nBefore submitting your pull ... | Факт | В справочном тексте указано, что перед выполнением... | правильный | Чтобы определить, верен ли ответ, нам нужно... |