모델 성능 평가하기 Evaluating model performance
모델 성능 평가하기
AI 모델을 사용하여 개발할 때는 모델의 출력이 정확하고 유용한지 확인하기 위해 지속적으로 테스트하는 것이 필수적입니다. 테스트 데이터를 사용하여 모델의 출력에 대한 평가(흔히 evals라고 함)를 정기적으로 실행하면 고품질의 안정적인 AI 애플리케이션을 구축하고 유지하는 데 도움이 됩니다.
OpenAI는 테스트 데이터 세트에서 평가를 생성하고 실행할 수 있도록 OpenAI 대시보드에 내장된 도구를 제공합니다. 프로세스는 다음과 같습니다:
- 테스트 데이터 세트 생성
- 데이터 세트에 대한 평가를 정의하고 실행합니다.
- 프롬프트 조정 및/또는 모델 파인튜닝으로 성능 향상
- 만족할 때까지 반복합니다 🚀.
이 과정이 어떻게 이루어지는지 살펴봅시다!
테스트 데이터 세트 생성
소프트웨어 개발에서는 소프트웨어가 제대로 작동하는지 검증하기 위해 프로그램에 필요한 테스트 데이터(픽스처fixtures라고도 함)를 만들어야 하는 경우가 많습니다. 단위 테스트는 픽스처 데이터로 코드를 실행하고 결과가 예상한 대로 나오는지 확인합니다.
마찬가지로, 평가에는 모델이 제대로 응답할 수 있어야 하는 일련의 테스트 입력이 필요합니다. 모델이 받게 될 요청 유형을 대표하지 않는 데이터로 모델을 테스트하면 알 수 없는 새로운 입력에 대해 모델이 어떻게 작동할지 확신할 수 없기 때문에 좋은 테스트 데이터를 확보하는 것은 LLM 정확도를 최적화하는 데 매우 중요합니다.
실제 트래픽에서 데이터 세트 생성하기
대표적인 테스트 데이터 세트를 생성하는 가장 좋은 방법 중 하나는 사용자의 실제 프로덕션 요청을 사용하는 것입니다. 이는 Stored Completions을 사용하여 가능합니다. LLM 응답을 생성하는 코드에서 아래 IT 지원 챗봇의 예에서와 같이 store: true 매개 변수를 사용하고 나중에 완료를 필터링하는 데 사용할 수 있는 metadata 태그를 포함하세요:
API에서 메타데이터와 함께 Store completions 사용하기
import OpenAI from "openai";
const openai = new OpenAI();
const response = await openai.chat.completions.create({
model: "gpt-4o",
messages: [
{ role: "system", content: "You are a corporate IT support expert." },
{ role: "user", content: "How can I hide the dock on my Mac?"},
],
store: true,
metadata: {
role: "manager",
department: "accounting",
source: "homepage"
}
});
console.log(response.choices[0]);
이렇게 하면 완료가 여기 대시보드에 표시됩니다.
트래픽을 일부 기록했으면 중요한 기준에 따라 모델 출력을 테스트하는 평가를 만들 수 있습니다. 원하는 데이터 집합으로 완료를 필터링한 다음 'Evaluate' 버튼을 클릭합니다.
여기에서 모델의 출력을 판단하는 평가를 정의할 수 있습니다.
테스트 데이터에 대해 평가 정의 및 실행하기
수동으로 또는 completions UI의 플로우를 사용하여 테스트 데이터 세트를 생성한 후에는 평가 실행의 매개변수를 정의할 수 있습니다. 위의 단계를 따라 프로덕션 트래픽에서 테스트 데이터를 생성했다면 completions를 다시 실행할 필요가 없습니다. 바로 평가 기준을 정의할 수 있습니다.
선택할 수 있는 여러 가지 평가 기준(graders라고도 함)이 있으며, 이러한 테스트는 모델 응답의 품질을 평가하는 데 도움이 됩니다. 한 가지 유연한 옵션은 모델 평가자로, 적절하다고 생각되는 모델 산출물을 채점하라는 메시지를 표시할 수 있습니다.
모델에 대한 기준을 정의하고 나면 평가를 실행할 수 있습니다!
반복 및 개선
평가가 실행되면 대시보드에서 결과 점수를 확인할 수 있습니다. 프롬프트와 기준을 반복하여 시간이 지남에 따라 모델 출력을 개선할 수 있습니다. 좋은 평가와 좋은 테스트 데이터가 있으면 프롬프트를 반복하고 생성 결과가 양호하다는 확신을 가지고 새로운 모델을 시도하는 데 도움이 될 수 있습니다.