내장 스코어러 사용하기

Weave는 환각 감지, 요약 품질과 같이 AI 애플리케이션을 평가하기 위한 여러 미리 정의된 스코어러를 제공합니다. 이를 활용하면 평가를 빠르게 정의하고 애플리케이션 출력에 점수를 매길 수 있습니다.

로컬 스코어러는 현재 Weave Python SDK에서만 사용할 수 있습니다. Weave TypeScript SDK에서는 아직 지원되지 않습니다.TypeScript에서 Weave 스코어러를 사용하려면 함수 기반 스코어러를 참고하세요.

설치

Weave의 사전 정의된 스코어러를 사용하려면 몇 가지 추가 의존성을 설치해야 합니다.

pip install weave[scorers]

LLM-evaluators 2025년 2월 업데이트: LLM을 활용하는 사전 정의된 스코어러가 이제 자동으로 litellm과 통합됩니다. 더 이상 LLM 클라이언트를 넘겨줄 필요 없이 model_id만 설정하면 됩니다. 지원되는 모델 목록은 여기에서 확인하세요.

`HallucinationFreeScorer`

이 스코어러는 입력 데이터와 비교하여 AI 시스템의 출력 결과에 환각(hallucination)이 포함되어 있는지 확인합니다.

from weave.scorers import HallucinationFreeScorer

scorer = HallucinationFreeScorer()

사용자 정의:

system_prompt와 user_prompt 필드를 커스터마이즈하여 무엇을 “hallucination”으로 간주할지 직접 정의할 수 있습니다.

참고 사항:

score 메서드는 context라는 이름의 입력 컬럼을 사용한다고 가정합니다. 데이터셋에서 다른 이름을 사용하고 있다면, column_map 속성을 사용하여 context를 해당 데이터셋 컬럼에 매핑하십시오.

다음은 평가 과정에서의 예시입니다:

import asyncio
import weave
from weave.scorers import HallucinationFreeScorer

# 필요한 경우 열 매핑을 사용하여 scorer를 초기화합니다.
hallucination_scorer = HallucinationFreeScorer(
    model_id="openai/gpt-4o", # 또는 litellm이 지원하는 다른 모델
    column_map={"context": "input", "output": "other_col"}
)

# 데이터셋 생성
dataset = [
    {"input": "John likes various types of cheese."},
    {"input": "Pepe likes various types of cheese."},
]

@weave.op
def model(input: str) -> str:
    return "The person's favorite cheese is cheddar."

# 평가 실행
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[hallucination_scorer],
)
result = asyncio.run(evaluation.evaluate(model))
print(result)
# 출력 예시:
# {'HallucinationFreeScorer': {'has_hallucination': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}

`SummarizationScorer`

LLM을 사용해 원본 텍스트와 요약을 비교하여 요약의 품질을 평가합니다.

from weave.scorers import SummarizationScorer

scorer = SummarizationScorer(
    model_id="openai/gpt-4o"  # 또는 litellm이 지원하는 다른 모델
)

작동 방식: 이 스코어러는 요약을 두 가지 방식으로 평가합니다.

엔터티 밀도(Entity Density): 요약에 언급된 고유 엔터티(이름, 장소, 사물 등)의 비율을 요약의 전체 단어 수와 비교하여 요약의 “정보 밀도”를 추정합니다. 엔터티 추출에는 LLM을 사용합니다. Chain of Density 논문(https://arxiv.org/abs/2309.04269)에서 정의한 엔터티 밀도 개념과 유사합니다.
품질 등급(Quality Grading): LLM 평가자가 요약을 poor, ok, excellent로 등급을 매깁니다. 그런 다음 이 등급을 성능 집계 평가를 위해 점수로 매핑합니다 (poor는 0.0, ok는 0.5, excellent는 1.0).

커스터마이징:

평가 과정을 조정하려면 summarization_evaluation_system_prompt와 summarization_evaluation_prompt를 수정하십시오.

참고 사항:

이 스코어러는 내부적으로 litellm을 사용합니다.
score 메서드는 원본 텍스트(요약 대상 텍스트)가 input 열에 존재한다고 가정합니다. 데이터셋에서 다른 이름을 사용한다면 column_map을 사용하십시오.

다음은 평가 컨텍스트에서의 사용 예시입니다:

import asyncio
import weave
from weave.scorers import SummarizationScorer

class SummarizationModel(weave.Model):
    @weave.op()
    async def predict(self, input: str) -> str:
        return "This is a summary of the input text."

# 스코어러 초기화
summarization_scorer = SummarizationScorer(
    model_id="openai/gpt-4o"  # 또는 litellm이 지원하는 다른 모델
)
# 데이터셋 생성
dataset = [
    {"input": "The quick brown fox jumps over the lazy dog."},
    {"input": "Artificial Intelligence is revolutionizing various industries."}
]
# 평가 실행
evaluation = weave.Evaluation(dataset=dataset, scorers=[summarization_scorer])
results = asyncio.run(evaluation.evaluate(SummarizationModel()))
print(results)
# 출력 예시:
# {'SummarizationScorer': {'is_entity_dense': {'true_count': 0, 'true_fraction': 0.0}, 'summarization_eval_score': {'mean': 0.0}, 'entity_density': {'mean': 0.0}}, 'model_latency': {'mean': ...}}

`OpenAIModerationScorer`

OpenAIModerationScorer는 OpenAI의 Moderation API를 사용하여 AI 시스템의 출력 결과에 혐오 발언이나 노골적인(선정적인) 내용 등 허용되지 않는 콘텐츠가 포함되어 있는지 확인합니다.

from weave.scorers import OpenAIModerationScorer

scorer = OpenAIModerationScorer()

작동 방식:

AI 출력을 OpenAI Moderation 엔드포인트로 전송하고, 콘텐츠가 플래그 처리되었는지 여부를 나타내는 구조화된 응답을 반환합니다.

참고 사항: 다음은 평가 맥락에서의 예시입니다:

import asyncio
import weave
from weave.scorers import OpenAIModerationScorer

class MyModel(weave.Model):
    @weave.op
    async def predict(self, input: str) -> str:
        return input

# scorer 초기화
moderation_scorer = OpenAIModerationScorer()

# 데이터셋 생성
dataset = [
    {"input": "I love puppies and kittens!"},
    {"input": "I hate everyone and want to hurt them."}
]

# 평가 실행
evaluation = weave.Evaluation(dataset=dataset, scorers=[moderation_scorer])
results = asyncio.run(evaluation.evaluate(MyModel()))
print(results)
# 출력 예시:
# {'OpenAIModerationScorer': {'flagged': {'true_count': 1, 'true_fraction': 0.5}, 'categories': {'violence': {'true_count': 1, 'true_fraction': 1.0}}}, 'model_latency': {'mean': ...}}

`EmbeddingSimilarityScorer`

EmbeddingSimilarityScorer는 AI 시스템의 출력 임베딩과 데이터셋에 있는 타깃 텍스트 임베딩 사이의 코사인 유사도를 계산합니다. 이를 사용해 AI 출력이 참조 텍스트와 얼마나 유사한지 측정할 수 있습니다.

from weave.scorers import EmbeddingSimilarityScorer

similarity_scorer = EmbeddingSimilarityScorer(
    model_id="openai/text-embedding-3-small",  # litellm이 지원하는 다른 모델도 사용 가능
    threshold=0.4  # 코사인 유사도 임계값
)

매개변수:

threshold (float): 두 텍스트를 유사하다고 판단하는 데 필요한 최소 코사인 유사도 점수(-1에서 1 사이)입니다(기본값은 0.5).

사용 예: 다음 예시는 평가에서 EmbeddingSimilarityScorer를 사용하는 방법을 보여줍니다:

import asyncio
import weave
from weave.scorers import EmbeddingSimilarityScorer

# 스코어러 초기화
similarity_scorer = EmbeddingSimilarityScorer(
    model_id="openai/text-embedding-3-small",  # 또는 litellm이 지원하는 다른 모델
    threshold=0.7
)
# 데이터셋 생성
dataset = [
    {
        "input": "He's name is John",
        "target": "John likes various types of cheese.",
    },
    {
        "input": "He's name is Pepe.",
        "target": "Pepe likes various types of cheese.",
    },
]
# 모델 정의
@weave.op
def model(input: str) -> str:
    return "John likes various types of cheese."

# 평가 실행
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[similarity_scorer],
)
result = asyncio.run(evaluation.evaluate(model))
print(result)
# 출력 예시:
# {'EmbeddingSimilarityScorer': {'is_similar': {'true_count': 1, 'true_fraction': 0.5}, 'similarity_score': {'mean': 0.844851403}}, 'model_latency': {'mean': ...}}

`ValidJSONScorer`

ValidJSONScorer는 AI 시스템의 출력이 유효한 JSON 형식인지 확인합니다. 이 스코어러는 출력이 JSON 형식일 것으로 예상되고 그 유효성을 검증해야 할 때 유용합니다.

from weave.scorers import ValidJSONScorer

json_scorer = ValidJSONScorer()

다음은 평가 상황에서의 예시입니다:

import asyncio
import weave
from weave.scorers import ValidJSONScorer

class JSONModel(weave.Model):
    @weave.op()
    async def predict(self, input: str) -> str:
        # 이것은 플레이스홀더입니다.
        # 실제 시나리오에서는 JSON을 생성합니다.
        return '{"key": "value"}'

model = JSONModel()
json_scorer = ValidJSONScorer()

dataset = [
    {"input": "Generate a JSON object with a key and value"},
    {"input": "Create an invalid JSON"}
]

evaluation = weave.Evaluation(dataset=dataset, scorers=[json_scorer])
results = asyncio.run(evaluation.evaluate(model))
print(results)
# 출력 예시:
# {'ValidJSONScorer': {'json_valid': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}

`ValidXMLScorer`

ValidXMLScorer는 AI 시스템의 출력이 유효한 XML인지 확인합니다. XML 형식의 출력을 기대할 때 유용합니다.

from weave.scorers import ValidXMLScorer

xml_scorer = ValidXMLScorer()

평가 맥락에서의 예시는 다음과 같습니다:

import asyncio
import weave
from weave.scorers import ValidXMLScorer

class XMLModel(weave.Model):
    @weave.op()
    async def predict(self, input: str) -> str:
        # 이것은 플레이스홀더입니다. 실제 시나리오에서는 XML을 생성합니다.
        return '<root><element>value</element></root>'

model = XMLModel()
xml_scorer = ValidXMLScorer()

dataset = [
    {"input": "Generate a valid XML with a root element"},
    {"input": "Create an invalid XML"}
]

evaluation = weave.Evaluation(dataset=dataset, scorers=[xml_scorer])
results = asyncio.run(evaluation.evaluate(model))
print(results)
# 출력 예시:
# {'ValidXMLScorer': {'xml_valid': {'true_count': 2, 'true_fraction': 1.0}}, 'model_latency': {'mean': ...}}

`PydanticScorer`

PydanticScorer는 AI 시스템이 생성한 결과가 Pydantic 모델이 정의한 스키마나 데이터 구조를 준수하는지 검증합니다.

from weave.scorers import PydanticScorer
from pydantic import BaseModel

class FinancialReport(BaseModel):
    revenue: int
    year: str

pydantic_scorer = PydanticScorer(model=FinancialReport)

RAGAS - `ContextEntityRecallScorer`

ContextEntityRecallScorer는 AI 시스템의 출력과 제공된 컨텍스트에서 엔터티를 추출한 뒤, 리콜 점수를 계산하여 컨텍스트 리콜을 추정합니다. 이 스코어러는 RAGAS 평가 라이브러리를 기반으로 합니다.

from weave.scorers import ContextEntityRecallScorer

entity_recall_scorer = ContextEntityRecallScorer(
    model_id="openai/gpt-4o"
)

동작 방식:

LLM을 사용해 출력과 컨텍스트로부터 고유 엔티티를 추출하고 Recall을 계산합니다.
Recall은 컨텍스트에 있는 중요한 엔티티 중 출력에 반영된 비율을 나타냅니다.
Recall 점수를 포함한 딕셔너리를 반환합니다.

참고 사항:

데이터셋에 context 열이 필요합니다. 열 이름이 다를 경우 column_map 속성을 사용하세요.

RAGAS - `ContextRelevancyScorer`

ContextRelevancyScorer는 제공된 컨텍스트가 AI 시스템의 출력과 얼마나 관련성이 높은지 평가합니다. 이는 RAGAS 평가 라이브러리를 기반으로 합니다.

from weave.scorers import ContextRelevancyScorer

relevancy_scorer = ContextRelevancyScorer(
    model_id="openai/gpt-4o",  # 또는 litellm이 지원하는 다른 모델
    relevancy_prompt="""
Given the following question and context, rate the relevancy of the context to the question on a scale from 0 to 1.

Question: {question}
Context: {context}
Relevancy Score (0-1):
"""
)

작동 방식:

LLM을 사용해 출력 결과에 대한 컨텍스트의 관련성을 0에서 1까지의 범위로 평가합니다.
relevancy_score를 포함한 딕셔너리를 반환합니다.

참고:

데이터셋에 context 열이 있어야 합니다. 열 이름이 다르다면 column_map 속성을 사용하세요.
관련성을 어떻게 평가할지 정의하려면 relevancy_prompt를 사용자 정의하세요.

다음은 평가 과정에서의 사용 예시입니다.

import asyncio
from textwrap import dedent
import weave
from weave.scorers import ContextEntityRecallScorer, ContextRelevancyScorer

class RAGModel(weave.Model):
    @weave.op()
    async def predict(self, question: str) -> str:
        "Retrieve relevant context"
        return "Paris is the capital of France."

# 프롬프트 정의
relevancy_prompt: str = dedent("""
    Given the following question and context, rate the relevancy of the context to the question on a scale from 0 to 1.

    Question: {question}
    Context: {context}
    Relevancy Score (0-1):
    """)
# 스코어러 초기화
entity_recall_scorer = ContextEntityRecallScorer()
relevancy_scorer = ContextRelevancyScorer(relevancy_prompt=relevancy_prompt)
# 데이터셋 생성
dataset = [
    {
        "question": "What is the capital of France?",
        "context": "Paris is the capital city of France."
    },
    {
        "question": "Who wrote Romeo and Juliet?",
        "context": "William Shakespeare wrote many famous plays."
    }
]
# 평가 실행
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[entity_recall_scorer, relevancy_scorer]
)
results = asyncio.run(evaluation.evaluate(RAGModel()))
print(results)
# 출력 예시:
# {'ContextEntityRecallScorer': {'recall': {'mean': ...}}, 
# 'ContextRelevancyScorer': {'relevancy_score': {'mean': ...}}, 
# 'model_latency': {'mean': ...}}

참고: 기본 제공 스코어러는 openai/gpt-4o, openai/text-embedding-3-small 같은 OpenAI 모델을 사용하여 보정되었습니다. 다른 제공업체의 모델을 사용해 보고 싶다면 model_id 필드를 다른 모델로 변경하면 됩니다. 예를 들어 Anthropic 모델을 사용하려면 다음과 같이 설정할 수 있습니다:

from weave.scorers import SummarizationScorer

# Anthropic의 Claude 모델로 전환
summarization_scorer = SummarizationScorer(
    model_id="anthropic/claude-3-5-sonnet-20240620"
)

시작하기

가이드

쿡북

레퍼런스

자세한 정보와 지원

오픈 소스

커뮤니티

설치

`HallucinationFreeScorer`

`SummarizationScorer`

`OpenAIModerationScorer`

`EmbeddingSimilarityScorer`

`ValidJSONScorer`

`ValidXMLScorer`

`PydanticScorer`

RAGAS - `ContextEntityRecallScorer`

RAGAS - `ContextRelevancyScorer`

시작하기

가이드

쿡북

레퍼런스

자세한 정보와 지원

오픈 소스

커뮤니티

Documentation Index

​설치

​HallucinationFreeScorer

​SummarizationScorer

​OpenAIModerationScorer

​EmbeddingSimilarityScorer

​ValidJSONScorer

​ValidXMLScorer

​PydanticScorer

​RAGAS - ContextEntityRecallScorer

​RAGAS - ContextRelevancyScorer

설치

`HallucinationFreeScorer`

`SummarizationScorer`

`OpenAIModerationScorer`

`EmbeddingSimilarityScorer`

`ValidJSONScorer`

`ValidXMLScorer`

`PydanticScorer`

RAGAS - `ContextEntityRecallScorer`

RAGAS - `ContextRelevancyScorer`