RAG工程如何評(píng)測(cè)？ 原創(chuàng)
?本篇主要講RAG工程的評(píng)測(cè)方法。
本篇屬于RAG系列，上一篇整理了RAG的基礎(chǔ)，沒看過的小伙伴也可以參考~本篇來繼續(xù)介紹RAG工程如何評(píng)測(cè)。下面是一個(gè)快捷目錄。
一、RAG評(píng)估方法
二、RAG 的關(guān)鍵指標(biāo)和能力
三、RAG的評(píng)估框架
一、RAG評(píng)估方法
有兩種方法評(píng)估RAG：獨(dú)立評(píng)估和端到端
1. 獨(dú)立評(píng)估
獨(dú)立評(píng)估就是對(duì)檢索模塊和生成模型分布評(píng)估。
1）檢索模塊
評(píng)估RAG檢索模塊性能的指標(biāo)主要用于衡量系統(tǒng)（如搜索引擎、推薦系統(tǒng)或信息檢索系統(tǒng)），即根據(jù)查詢?cè)u(píng)估有效性。
具體指標(biāo)包括：命中率 (Hit Rate)、平均排名倒數(shù) (MRR)、歸一化折扣累積增益 (NDCG)、精確度 (Precision) 等。這塊跟推薦系統(tǒng)的評(píng)價(jià)指標(biāo)相同。
- 命中率 (Hit Rate)
檢索結(jié)果中用戶實(shí)際檢索的實(shí)體詞或者關(guān)鍵詞所占的比例。
- 平均排名倒數(shù) (MRR)
是用來衡量返回結(jié)果的排名質(zhì)量。MRR考慮了用戶第一次遇到相關(guān)檢索的排名；
結(jié)果列表中，第一個(gè)結(jié)果匹配，分?jǐn)?shù)為1，第二個(gè)匹配分?jǐn)?shù)為0.5，第n個(gè)匹配分?jǐn)?shù)為1/n，如果沒有匹配的句子分?jǐn)?shù)為0。最終的分?jǐn)?shù)為所有得分之和，再求平均。
計(jì)算方法
對(duì)于每個(gè)查詢，首先計(jì)算倒數(shù)排名（即第一個(gè)相關(guān)檢索的排名的倒數(shù)），如果沒有相關(guān)檢索結(jié)果，則倒數(shù)排名為0。然后，計(jì)算所有查詢的倒數(shù)排名的平均值。
- 歸一化折扣累積增益 (NDCG)
NDCG用于衡量排名質(zhì)量。它考慮了所有相關(guān)結(jié)果的排名，并根據(jù)排名對(duì)其賦予不同的權(quán)重（排名越靠前，權(quán)重越大）。
計(jì)算方法
首先計(jì)算DCG（Discounted Cumulative Gain），然后將其標(biāo)準(zhǔn)化。
2）端到端評(píng)估
RAG 對(duì)特定輸入生成的最終響應(yīng)進(jìn)行評(píng)估，主要是模型生成的答案與輸入查詢的相關(guān)性和一致性。
- 對(duì)無標(biāo)簽的內(nèi)容評(píng)估評(píng)價(jià)指標(biāo)：答案的準(zhǔn)確性、相關(guān)性和無害性
- 有標(biāo)簽的內(nèi)容評(píng)估評(píng)價(jià)指標(biāo)：準(zhǔn)確率 (Accuracy) 和精確匹配 (EM)
準(zhǔn)確率比較簡(jiǎn)單，主要具體講一下精準(zhǔn)匹配 (EM)。
精確匹配是指模型給出的答案與參考答案完全一致時(shí)的評(píng)價(jià)指標(biāo)。
如果模型的答案與參考答案完全相同，則EM得分為1；否則為0。
計(jì)算公式：
EM = 1，如果答案與參考答案完全一致；
EM = 0，如果答案與參考答案不一致。
二、RAG 的關(guān)鍵指標(biāo)和能力
三個(gè)關(guān)鍵指標(biāo)：答案的準(zhǔn)確性、答案的相關(guān)性和上下文的相關(guān)性。
四個(gè)關(guān)鍵能力：主要是看抗噪聲能力、拒絕無效回答能力、信息綜合能力和反事實(shí)穩(wěn)健性。
三、RAG的評(píng)估框架
這里介紹的主要是RAGAS 和 ARES。
1. RAGAS
RAGAS 是一個(gè)基于簡(jiǎn)單手寫提示的評(píng)估框架，通過這些提示全自動(dòng)地衡量答案的準(zhǔn)確性、 相關(guān)性和上下文相關(guān)性。
算法原理：
1） 答案忠實(shí)度評(píng)估：利用大語言模型 (LLM) 分解答案為多個(gè)陳述，檢驗(yàn)每個(gè)陳述與上下文 的一致性。即根據(jù)支持的陳述數(shù)量與總陳述數(shù)量的比例，計(jì)算出一個(gè)“忠實(shí)度得分”。
2） 答案相關(guān)性評(píng)估：使用大語言模型 (LLM) 創(chuàng)造可能的問題，并分析這些問題與原始問題的相似度。答案相關(guān)性得分是通過計(jì)算所有生成問題與原始問題相似度的平均值來得出的。
3）上下文相關(guān)性評(píng)估：運(yùn)用大語言模型 (LLM) 篩選出直接與問題相關(guān)的句子，以這些句子占上下文總句子數(shù)量的比例來確定上下文相關(guān)性得分。
2. ARES
ARES 的目標(biāo)是自動(dòng)化評(píng)價(jià) RAG 系統(tǒng)在上下文相關(guān)性、答案忠實(shí)度和答案相關(guān)性三個(gè)方面的性能。
ARES 減少了評(píng)估成本，通過使用少量的手動(dòng)標(biāo)注數(shù)據(jù)和合成數(shù)據(jù)，并應(yīng)用預(yù)測(cè)驅(qū)動(dòng)推理 (PDR) 提供統(tǒng)計(jì)置信區(qū)間，提高了評(píng)估的準(zhǔn)確性。
算法原理：
1）生成合成數(shù)據(jù)集：ARES 首先使用語言模型從目標(biāo)語料庫中的文檔生成合成問題和答案，創(chuàng) 建正負(fù)兩種樣本。
2）訓(xùn)練大語言模型 (LLM) 裁判：然后，ARES 對(duì)輕量級(jí)語言模型進(jìn)行微調(diào)，利用合成數(shù)據(jù)集訓(xùn)練它們以評(píng)其上下文相關(guān)性、答案忠實(shí)度和答案相關(guān)性。
3）基于置信區(qū)間對(duì)RAG系統(tǒng)排名：最后，ARES 使用這些裁判模型為 RAG 系統(tǒng)打分，并結(jié)合手動(dòng)標(biāo)注的驗(yàn)證集，采用 PPI 方法生成置信區(qū)間，從而可靠地評(píng)估RAG 系統(tǒng)的性能。
?
本文轉(zhuǎn)載自公眾號(hào)瓦力算法學(xué)研所，作者：喜歡瓦力的卷卷
