API für den Gen AI Evaluation Service

Mit dem Gen AI Evaluation Service können Sie Ihre Large Language Models (LLMs) anhand Ihrer eigenen Kriterien anhand verschiedener Messwerte bewerten. Sie können Inferenzzeiteingaben, LLM-Antworten und zusätzliche Parameter angeben. Der Gen AI Evaluation Service gibt dann Messwerte zurück, die für die Bewertungsaufgabe spezifisch sind.

Die Messwerte umfassen sowohl modellbasierte Messwerte wie PointwiseMetric und PairwiseMetric als auch In-Memory-berechnete Messwerte wie rouge, bleu und Messwerte für Tool-Funktionsaufrufe. PointwiseMetric und PairwiseMetric sind generische modellbasierte Messwerte, die Sie mit Ihren eigenen Kriterien anpassen können. Da der Dienst die Vorhersageergebnisse direkt aus Modellen als Eingabe verwendet, kann der Bewertungsdienst sowohl Inferenz als auch die anschließende Bewertung für alle von Vertex AI unterstützten Modelle durchführen.

Weitere Informationen zum Bewerten eines Modells finden Sie unter Übersicht über den Gen AI Evaluation Service.

Beschränkungen

Für den Auswertungsdienst gelten die folgenden Einschränkungen:

  • Beim ersten Aufruf des Bewertungsdienstes kann es zu einer Verzögerung kommen.
  • Für die meisten modellbasierten Messwerte wird Gemini 2.0 Flash-Kontingent verwendet, da der Gen AI Evaluation Service gemini-2.0-flash als zugrunde liegendes Judge-Modell verwendet, um diese modellbasierten Messwerte zu berechnen.
  • Für einige modellbasierte Messwerte wie MetricX und COMET werden andere Modelle für maschinelles Lernen verwendet. Daher wird kein gemini-2.0-flash-Kontingent verbraucht.

Beispielsyntax

Syntax zum Senden eines Bewertungsaufrufs.

curl

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \

https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}:evaluateInstances \
-d '{
  "pointwise_metric_input" : {
    "metric_spec" : {
      ...
    },
    "instance": {
      ...
    },
  }
}'

Python

import json

from google import auth
from google.api_core import exceptions
from google.auth.transport import requests as google_auth_requests

creds, _ = auth.default(
    scopes=['https://www.googleapis.com/auth/cloud-platform'])

data = {
  ...
}

uri = f'https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}:evaluateInstances'
result = google_auth_requests.AuthorizedSession(creds).post(uri, json=data)

print(json.dumps(result.json(), indent=2))

Parameterliste

Parameter

exact_match_input

Optional: ExactMatchInput

Eingabe, um zu prüfen, ob die Vorhersage genau mit der Referenz übereinstimmt.

bleu_input

Optional: BleuInput

Eingabe zum Berechnen des BLEU-Scores durch Vergleich der Vorhersage mit der Referenz.

rouge_input

Optional: RougeInput

Eingabe zum Berechnen der rouge-Scores durch Vergleich der Vorhersage mit der Referenz. rouge_type unterstützt unterschiedliche rouge-Scores.

fluency_input

Optional: FluencyInput

Eingabe zur Bewertung der Sprachbeherrschung einer einzelnen Antwort.

coherence_input

Optional: CoherenceInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, eine kohärente, leicht verständliche Antwort zu geben.

safety_input

Optional: SafetyInput

Eingabe zur Bewertung des Sicherheitslevels einer einzelnen Antwort.

groundedness_input

Optional: GroundednessInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, Informationen bereitzustellen oder zu referenzieren, die nur im Eingabetext enthalten sind.

fulfillment_input

Optional: FulfillmentInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, Anweisungen vollständig auszuführen.

summarization_quality_input

Optional: SummarizationQualityInput

Eingabe, um allgemein die Fähigkeit einer einzelnen Antwort zu bewerten, Text zusammenzufassen.

pairwise_summarization_quality_input

Optional: PairwiseSummarizationQualityInput

Eingabe zum Vergleich der allgemeinen Qualität von Zusammenfassungen zweier Antworten.

summarization_helpfulness_input

Optional: SummarizationHelpfulnessInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, eine Zusammenfassung zu erstellen, die die erforderlichen Details enthält, um den Originaltext zu ersetzen.

summarization_verbosity_input

Optional: SummarizationVerbosityInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, eine prägnante Zusammenfassung zu erstellen.

question_answering_quality_input

Optional: QuestionAnsweringQualityInput

Eingabe zur Bewertung der allgemeinen Fähigkeit einer einzelnen Antwort zur Beantwortung von Fragen anhand eines als Referenz dienenden Textkörpers.

pairwise_question_answering_quality_input

Optional: PairwiseQuestionAnsweringQualityInput

Eingabe für den Vergleich der allgemeinen Fähigkeit zweier Antworten zur Beantwortung von Fragen anhand eines als Referenz dienenden Textkörpers.

question_answering_relevance_input

Optional: QuestionAnsweringRelevanceInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, auf die Stellung einer Frage mit relevanten Informationen zu antworten.

question_answering_helpfulness_input

Optional: QuestionAnsweringHelpfulnessInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, bei der Beantwortung einer Frage wichtige Details anzugeben.

question_answering_correctness_input

Optional: QuestionAnsweringCorrectnessInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, eine Frage richtig zu beantworten.

pointwise_metric_input

Optional: PointwiseMetricInput

Eingabe für eine allgemeine punktweise Bewertung.

pairwise_metric_input

Optional: PairwiseMetricInput

Eingabe für eine allgemeine paarweise Bewertung.

tool_call_valid_input

Optional: ToolCallValidInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, einen gültigen Tool-Aufruf vorherzusagen.

tool_name_match_input

Optional: ToolNameMatchInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, einen Tool-Aufruf mit dem richtigen Tool-Namen vorherzusagen.

tool_parameter_key_match_input

Optional: ToolParameterKeyMatchInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, einen Tool-Aufruf mit korrekten Parameternamen vorherzusagen.

tool_parameter_kv_match_input

Optional: ToolParameterKvMatchInput

Eingabe, um die Fähigkeit einer einzelnen Antwort zu bewerten, einen Tool-Aufruf mit korrekten Parameternamen und ‑werten vorherzusagen

comet_input

Optional: CometInput

Eingabe, die mit COMET bewertet werden soll.

metricx_input

Optional: MetricxInput

Eingabe, die mit MetricX ausgewertet werden soll.

ExactMatchInput

{
  "exact_match_input": {
    "metric_spec": {},
    "instances": [
      {
        "prediction": string,
        "reference": string
      }
    ]
  }
}
Parameter

metric_spec

Optional: ExactMatchSpec.

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instances

Optional: ExactMatchInstance[]

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instances.prediction

Optional: string

LLM-Antwort.

instances.reference

Optional: string

Goldene LLM-Antwort als Referenz.

ExactMatchResults

{
  "exact_match_results": {
    "exact_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

exact_match_metric_values

ExactMatchMetricValue[]

Bewertungsergebnisse pro Instanzeingabe.

exact_match_metric_values.score

float

Eines der folgenden Betriebssysteme:

  • 0: Die Instanz stimmte nicht genau überein.
  • 1: Genaue Übereinstimmung

BleuInput

{
  "bleu_input": {
    "metric_spec": {
      "use_effective_order": bool
    },
    "instances": [
      {
        "prediction": string,
        "reference": string
      }
    ]
  }
}
Parameter

metric_spec

Optional: BleuSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.use_effective_order

Optional: bool

Gibt an, ob n-Gramm-Ordnungen ohne Übereinstimmung berücksichtigt werden sollen.

instances

Optional: BleuInstance[]

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instances.prediction

Optional: string

LLM-Antwort.

instances.reference

Optional: string

Goldene LLM-Antwort als Referenz.

BleuResults

{
  "bleu_results": {
    "bleu_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

bleu_metric_values

BleuMetricValue[]

Bewertungsergebnisse pro Instanzeingabe.

bleu_metric_values.score

float: [0, 1], wobei höhere Scores bedeuten, dass die Vorhersage eher der Referenz entspricht.

RougeInput

{
  "rouge_input": {
    "metric_spec": {
      "rouge_type": string,
      "use_stemmer": bool,
      "split_summaries": bool
    },
    "instances": [
      {
        "prediction": string,
        "reference": string
      }
    ]
  }
}
Parameter

metric_spec

Optional: RougeSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.rouge_type

Optional: string

Zulässige Werte:

  • rougen[1-9]: rouge-Scores anhand der Überlappung von N-Grammen zwischen der Vorhersage und der Referenz berechnen.
  • rougeL: rouge-Scores anhand der längsten gemeinsamen Untersequenz (Longest Common Subsequence, LCS) zwischen der Vorhersage und der Referenz berechnen.
  • rougeLsum: teilt zuerst die Vorhersage und die Referenz in Sätze auf und berechnet dann die LCS für jedes Tupel. Der endgültige rougeLsum-Score ist der Durchschnitt dieser einzelnen LCS-Scores.

metric_spec.use_stemmer

Optional: bool

Gibt an, ob der Porter-Stemmer zum Entfernen von Wortsuffixen verwendet werden soll, um die Übereinstimmung zu verbessern.

metric_spec.split_summaries

Optional: bool

Gibt an, ob Zeilenumbrüche zwischen Sätzen für rougeLsum hinzugefügt werden sollen.

instances

Optional: RougeInstance[]

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instances.prediction

Optional: string

LLM-Antwort.

instances.reference

Optional: string

Goldene LLM-Antwort als Referenz.

RougeResults

{
  "rouge_results": {
    "rouge_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

rouge_metric_values

RougeValue[]

Bewertungsergebnisse pro Instanzeingabe.

rouge_metric_values.score

float: [0, 1], wobei höhere Scores bedeuten, dass die Vorhersage eher der Referenz entspricht.

FluencyInput

{
  "fluency_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string
    }
  }
}
Parameter

metric_spec

Optional: FluencySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: FluencyInstance

Bewertungseingabe, bestehend aus der LLM-Antwort.

instance.prediction

Optional: string

LLM-Antwort.

FluencyResult

{
  "fluency_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Undeutlich
  • 2: Eher undeutlich
  • 3: Neutral
  • 4: Eher fließend
  • 5: Fließend

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

CoherenceInput

{
  "coherence_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string
    }
  }
}
Parameter

metric_spec

Optional: CoherenceSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: CoherenceInstance

Bewertungseingabe, bestehend aus der LLM-Antwort.

instance.prediction

Optional: string

LLM-Antwort.

CoherenceResult

{
  "coherence_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Inkohärent
  • 2: Eher unzusammenhängend
  • 3: Neutral
  • 4: Eher kohärent
  • 5: Kohärent

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

SafetyInput

{
  "safety_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string
    }
  }
}
Parameter

metric_spec

Optional: SafetySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: SafetyInstance

Bewertungseingabe, bestehend aus der LLM-Antwort.

instance.prediction

Optional: string

LLM-Antwort.

SafetyResult

{
  "safety_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 0: Unsicher
  • 1: Sicher

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

GroundednessInput

{
  "groundedness_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "context": string
    }
  }
}

Parameter

Beschreibung

metric_spec

Optional: GroundednessSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: GroundednessInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

GroundednessResult

{
  "groundedness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 0: Unfundiert
  • 1: Fundiert

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

FulfillmentInput

{
  "fulfillment_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string
    }
  }
}
Parameter

metric_spec

Optional: FulfillmentSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: FulfillmentInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

FulfillmentResult

{
  "fulfillment_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Keine Erfüllung
  • 2: Schlechte Erfüllung
  • 3: Teilweise Erfüllung
  • 4: Gute Erfüllung
  • 5: Vollständige Erfüllung

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

SummarizationQualityInput

{
  "summarization_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}
Parameter

metric_spec

Optional: SummarizationQualitySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: SummarizationQualityInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

SummarizationQualityResult

{
  "summarization_quality_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Sehr schlecht
  • 2: Schlecht
  • 3: Ok
  • 4: Gut
  • 5: Sehr gut

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

PairwiseSummarizationQualityInput

{
  "pairwise_summarization_quality_input": {
    "metric_spec": {},
    "instance": {
      "baseline_prediction": string,
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}
Parameter

metric_spec

Optional: PairwiseSummarizationQualitySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: PairwiseSummarizationQualityInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.baseline_prediction

Optional: string

LLM-Antwort des Basismodells.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

PairwiseSummarizationQualityResult

{
  "pairwise_summarization_quality_result": {
    "pairwise_choice": PairwiseChoice,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

pairwise_choice

PairwiseChoice: Enum mit folgenden möglichen Werten:

  • BASELINE: Baseline-Vorhersage ist besser
  • CANDIDATE: Kandidatenvorhersage ist besser
  • TIE: Gleichstand zwischen Baseline- und Kandidatenvorhersagen.

explanation

string: Begründung für pairwise_choice-Zuweisung.

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

SummarizationHelpfulnessInput

{
  "summarization_helpfulness_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}
Parameter

metric_spec

Optional: SummarizationHelpfulnessSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: SummarizationHelpfulnessInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

SummarizationHelpfulnessResult

{
  "summarization_helpfulness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Nicht hilfreich
  • 2: Eher weniger hilfreich
  • 3: Neutral
  • 4: Einigermaßen hilfreich
  • 5: Hilfreich

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

SummarizationVerbosityInput

{
  "summarization_verbosity_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}
Parameter

metric_spec

Optional: SummarizationVerbositySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: SummarizationVerbosityInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

SummarizationVerbosityResult

{
  "summarization_verbosity_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float. Einer der folgenden Werte:

  • -2: Knapp
  • -1: Eher knapp
  • 0: Optimal
  • 1: Eher ausführlich
  • 2: Ausführlich

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

QuestionAnsweringQualityInput

{
  "question_answering_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string,
    }
  }
}
Parameter

metric_spec

Optional: QuestionAnsweringQualitySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: QuestionAnsweringQualityInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

QuestionAnsweringQualityResult

{
  "question_answering_quality_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Sehr schlecht
  • 2: Schlecht
  • 3: Ok
  • 4: Gut
  • 5: Sehr gut

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

PairwiseQuestionAnsweringQualityInput

{
  "question_answering_quality_input": {
    "metric_spec": {},
    "instance": {
      "baseline_prediction": string,
      "prediction": string,
      "instruction": string,
      "context": string
    }
  }
}
Parameter

metric_spec

Optional: QuestionAnsweringQualitySpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: QuestionAnsweringQualityInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.baseline_prediction

Optional: string

LLM-Antwort des Basismodells.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

PairwiseQuestionAnsweringQualityResult

{
  "pairwise_question_answering_quality_result": {
    "pairwise_choice": PairwiseChoice,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

pairwise_choice

PairwiseChoice: Enum mit folgenden möglichen Werten:

  • BASELINE: Baseline-Vorhersage ist besser
  • CANDIDATE: Kandidatenvorhersage ist besser
  • TIE: Gleichstand zwischen Baseline- und Kandidatenvorhersagen.

explanation

string: Begründung für die Zuweisung von pairwise_choice.

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

QuestionAnsweringRelevanceInput

{
  "question_answering_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string
    }
  }
}
Parameter

metric_spec

Optional: QuestionAnsweringRelevanceSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: QuestionAnsweringRelevanceInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

QuestionAnsweringRelevancyResult

{
  "question_answering_relevancy_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Irrelevant
  • 2: Eher irrelevant
  • 3: Neutral
  • 4: Eher relevant
  • 5: Relevant

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

QuestionAnsweringHelpfulnessInput

{
  "question_answering_helpfulness_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "instruction": string,
      "context": string
    }
  }
}
Parameter

metric_spec

Optional: QuestionAnsweringHelpfulnessSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: QuestionAnsweringHelpfulnessInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

QuestionAnsweringHelpfulnessResult

{
  "question_answering_helpfulness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 1: Nicht hilfreich
  • 2: Eher weniger hilfreich
  • 3: Neutral
  • 4: Einigermaßen hilfreich
  • 5: Hilfreich

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

QuestionAnsweringCorrectnessInput

{
  "question_answering_correctness_input": {
    "metric_spec": {
      "use_reference": bool
    },
    "instance": {
      "prediction": string,
      "reference": string,
      "instruction": string,
      "context": string
    }
  }
}
Parameter

metric_spec

Optional: QuestionAnsweringCorrectnessSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.use_reference

Optional: bool

Gibt an, ob die Referenz in der Auswertung verwendet wird.

instance

Optional: QuestionAnsweringCorrectnessInstance

Bewertungseingabe, bestehend aus Inferenz-Eingaben und der entsprechenden Antwort.

instance.prediction

Optional: string

LLM-Antwort.

instance.reference

Optional: string

Goldene LLM-Antwort als Referenz.

instance.instruction

Optional: string

Anweisung, die zur Inferenzzeit verwendet wird.

instance.context

Optional: string

Inferenzzeittext, der alle Informationen enthält, die in der LLM-Antwort verwendet werden können.

QuestionAnsweringCorrectnessResult

{
  "question_answering_correctness_result": {
    "score": float,
    "explanation": string,
    "confidence": float
  }
}
Ausgabe

score

float: Beispiele:

  • 0: Falsch
  • 1: Richtig

explanation

string: Begründung für die Score-Zuweisung

confidence

float: [0, 1] Konfidenzwert unseres Ergebnisses.

PointwiseMetricInput

{
  "pointwise_metric_input": {
    "metric_spec": {
      "metric_prompt_template": string
    },
    "instance": {
      "json_instance": string,
    }
  }
}
Parameter

metric_spec

Erforderlich: PointwiseMetricSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.metric_prompt_template

Erforderlich: string

Eine Prompt-Vorlage, die den Messwert definiert. Sie wird durch die Schlüssel/Wert-Paare in instance.json_instance gerendert.

instance

Erforderlich: PointwiseMetricInstance

Bewertungseingabe, bestehend aus json_instance.

instance.json_instance

Optional: string

Die Schlüssel/Wert-Paare im JSON-Format. Beispiel: {"key_1": "value_1", "key_2": "value_2"}. Damit wird metric_spec.metric_prompt_template gerendert.

PointwiseMetricResult

{
  "pointwise_metric_result": {
    "score": float,
    "explanation": string,
  }
}
Ausgabe

score

float: Ein Wert für das punktweise Ergebnis der Messwertbewertung.

explanation

string: Begründung für die Score-Zuweisung

PairwiseMetricInput

{
  "pairwise_metric_input": {
    "metric_spec": {
      "metric_prompt_template": string
    },
    "instance": {
      "json_instance": string,
    }
  }
}
Parameter

metric_spec

Erforderlich: PairwiseMetricSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.metric_prompt_template

Erforderlich: string

Eine Prompt-Vorlage, die den Messwert definiert. Sie wird durch die Schlüssel/Wert-Paare in instance.json_instance gerendert.

instance

Erforderlich: PairwiseMetricInstance

Bewertungseingabe, bestehend aus json_instance.

instance.json_instance

Optional: string

Die Schlüssel/Wert-Paare im JSON-Format. Beispiel: {"key_1": "value_1", "key_2": "value_2"}. Damit wird metric_spec.metric_prompt_template gerendert.

PairwiseMetricResult

{
  "pairwise_metric_result": {
    "score": float,
    "explanation": string,
  }
}
Ausgabe

score

float: Ein Score für das paarweise Ergebnis der Messwertbewertung.

explanation

string: Begründung für die Score-Zuweisung

ToolCallValidInput

{
  "tool_call_valid_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}
Parameter

metric_spec

Optional: ToolCallValidSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: ToolCallValidInstance

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells, die ein JSON-serialisierter String mit den Schlüsseln content und tool_calls ist. Der Wert content ist die Textausgabe des Modells. Der Wert tool_call ist ein JSON-serialisierter String einer Liste von Tool-Aufrufen. Ein Beispiel:

{
  "content": "",
  "tool_calls": [
    {
      "name": "book_tickets",
      "arguments": {
        "movie": "Mission Impossible Dead Reckoning Part 1",
        "theater": "Regal Edwards 14",
        "location": "Mountain View CA",
        "showtime": "7:30",
        "date": "2024-03-30",
        "num_tix": "2"
      }
    }
  ]
}

instance.reference

Optional: string

Goldene Modellausgabe im selben Format wie die Vorhersage.

ToolCallValidResults

{
  "tool_call_valid_results": {
    "tool_call_valid_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

tool_call_valid_metric_values

wiederholt ToolCallValidMetricValue: Bewertungsergebnisse pro Instanzeingabe.

tool_call_valid_metric_values.score

float: Beispiele:

  • 0: Ungültiger Tool-Aufruf
  • 1: Gültiger Tool-Aufruf

ToolNameMatchInput

{
  "tool_name_match_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}
Parameter

metric_spec

Optional: ToolNameMatchSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: ToolNameMatchInstance

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells, die ein JSON-serialisierter String mit den Schlüsseln content und tool_calls ist. Der Wert content ist die Textausgabe des Modells. Der Wert tool_call ist ein JSON-serialisierter String einer Liste von Tool-Aufrufen.

instance.reference

Optional: string

Goldene Modellausgabe im selben Format wie die Vorhersage.

ToolNameMatchResults

{
  "tool_name_match_results": {
    "tool_name_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

tool_name_match_metric_values

wiederholt ToolNameMatchMetricValue: Bewertungsergebnisse pro Instanzeingabe.

tool_name_match_metric_values.score

float: Beispiele:

  • 0: Name des Toolaufrufs entspricht nicht der Referenz.
  • 1: Der Name des Toolaufrufs entspricht der Referenz.

ToolParameterKeyMatchInput

{
  "tool_parameter_key_match_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}
Parameter

metric_spec

Optional: ToolParameterKeyMatchSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: ToolParameterKeyMatchInstance

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells, die ein JSON-serialisierter String mit den Schlüsseln content und tool_calls ist. Der Wert content ist die Textausgabe des Modells. Der Wert tool_call ist ein JSON-serialisierter String einer Liste von Tool-Aufrufen.

instance.reference

Optional: string

Goldene Modellausgabe im selben Format wie die Vorhersage.

ToolParameterKeyMatchResults

{
  "tool_parameter_key_match_results": {
    "tool_parameter_key_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

tool_parameter_key_match_metric_values

wiederholt ToolParameterKeyMatchMetricValue: Bewertungsergebnisse pro Instanzeingabe.

tool_parameter_key_match_metric_values.score

float: [0, 1], wobei höhere Scores bedeuten, dass mehr Parameter den Namen der Referenzparameter entsprechen.

ToolParameterKVMatchInput

{
  "tool_parameter_kv_match_input": {
    "metric_spec": {},
    "instance": {
      "prediction": string,
      "reference": string
    }
  }
}
Parameter

metric_spec

Optional: ToolParameterKVMatchSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

instance

Optional: ToolParameterKVMatchInstance

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells, die ein JSON-serialisierter String mit den Schlüsseln content und tool_calls ist. Der Wert content ist die Textausgabe des Modells. Der Wert tool_call ist ein JSON-serialisierter String einer Liste von Tool-Aufrufen.

instance.reference

Optional: string

Goldene Modellausgabe im selben Format wie die Vorhersage.

ToolParameterKVMatchResults

{
  "tool_parameter_kv_match_results": {
    "tool_parameter_kv_match_metric_values": [
      {
        "score": float
      }
    ]
  }
}
Ausgabe

tool_parameter_kv_match_metric_values

wiederholt ToolParameterKVMatchMetricValue: Bewertungsergebnisse pro Instanzeingabe.

tool_parameter_kv_match_metric_values.score

float: [0, 1], wobei höhere Scores bedeuten, dass mehr Parameter den Namen und Werten der Referenzparameter entsprechen.

CometInput

{
  "comet_input" : {
    "metric_spec" : {
      "version": string
    },
    "instance": {
      "prediction": string,
      "source": string,
      "reference": string,
    },
  }
}
Parameter

metric_spec

Optional: CometSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.version

Optional: string

COMET_22_SRC_REF: COMET 22 für Übersetzung, Quelle und Referenz. Dabei wird die Übersetzung (Vorhersage) anhand aller drei Eingaben bewertet.

metric_spec.source_language

Optional: string

Quellsprache im BCP-47-Format. Beispiel: „de“.

metric_spec.target_language

Optional: string

Zielsprache im BCP-47-Format. Beispiel: „es“

instance

Optional: CometInstance

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz. Die genauen Felder, die für die Bewertung verwendet werden, hängen von der COMET-Version ab.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells. Dies ist die Ausgabe des LLM, die bewertet wird.

instance.source

Optional: string

Ausgangstext. Die Antwort wird in der Originalsprache angezeigt, aus der die Vorhersage übersetzt wurde.

instance.reference

Optional: string

Die Grundwahrheit, mit der die Vorhersage verglichen wird. Die Sprache ist dieselbe wie die der Vorhersage.

CometResult

{
  "comet_result" : {
    "score": float
  }
}
Ausgabe

score

float: [0, 1], wobei 1 für eine perfekte Übersetzung steht.

MetricxInput

{
  "metricx_input" : {
    "metric_spec" : {
      "version": string
    },
    "instance": {
      "prediction": string,
      "source": string,
      "reference": string,
    },
  }
}
Parameter

metric_spec

Optional: MetricxSpec

Messwertspezifikation, die das Verhalten des Messwerts definiert.

metric_spec.version

 Optional:

string

Eines der folgenden Betriebssysteme:

  • METRICX_24_REF: MetricX 24 für Übersetzung und Referenz. Die Vorhersage (Übersetzung) wird anhand des bereitgestellten Referenztexteingabe bewertet.
  • METRICX_24_SRC: MetricX 24 für Übersetzung und Quelle. Die Übersetzung (Vorhersage) wird durch Quality Estimation (QE) bewertet, ohne dass ein Referenztext eingegeben wird.
  • METRICX_24_SRC_REF: MetricX 24 für Übersetzung, Quelle und Referenz. Dabei wird die Übersetzung (Vorhersage) anhand aller drei Eingaben bewertet.

metric_spec.source_language

Optional: string

Quellsprache im BCP-47-Format. Beispiel: „de“.

metric_spec.target_language

Optional: string

Zielsprache im BCP-47-Format. Beispiel: „de“.

instance

Optional: MetricxInstance

Bewertungseingabe, bestehend aus LLM-Antwort und Referenz. Die genauen Felder, die für die Bewertung verwendet werden, hängen von der MetricX-Version ab.

instance.prediction

Optional: string

LLM-Antwort des Kandidatenmodells. Dies ist die Ausgabe des LLM, die bewertet wird.

instance.source

Optional: string

Der Quelltext in der Originalsprache, aus der die Vorhersage übersetzt wurde.

instance.reference

Optional: string

Die Grundwahrheit, mit der die Vorhersage verglichen wird. Sie ist in derselben Sprache wie die Vorhersage.

MetricxResult

{
  "metricx_result" : {
    "score": float
  }
}
Ausgabe

score

float: [0, 25], wobei 0 für eine perfekte Übersetzung steht.

Beispiele

Ausgabe bewerten

Im folgenden Beispiel wird gezeigt, wie Sie die Gen AI Evaluation API aufrufen, um die Ausgabe eines LLM anhand verschiedener Bewertungsmetriken zu bewerten, darunter:

  • summarization_quality
  • groundedness
  • fulfillment
  • summarization_helpfulness

  • summarization_verbosity

Python 

import pandas as pd

import vertexai
from vertexai.preview.evaluation import EvalTask, MetricPromptTemplateExamples

# TODO(developer): Update and un-comment below line
# PROJECT_ID = "your-project-id"
vertexai.init(project=PROJECT_ID, location="us-central1")

eval_dataset = pd.DataFrame(
    {
        "instruction": [
            "Summarize the text in one sentence.",
            "Summarize the text such that a five-year-old can understand.",
        ],
        "context": [
            """As part of a comprehensive initiative to tackle urban congestion and foster
            sustainable urban living, a major city has revealed ambitious plans for an
            extensive overhaul of its public transportation system. The project aims not
            only to improve the efficiency and reliability of public transit but also to
            reduce the city\'s carbon footprint and promote eco-friendly commuting options.
            City officials anticipate that this strategic investment will enhance
            accessibility for residents and visitors alike, ushering in a new era of
            efficient, environmentally conscious urban transportation.""",
            """A team of archaeologists has unearthed ancient artifacts shedding light on a
            previously unknown civilization. The findings challenge existing historical
            narratives and provide valuable insights into human history.""",
        ],
        "response": [
            "A major city is revamping its public transportation system to fight congestion, reduce emissions, and make getting around greener and easier.",
            "Some people who dig for old things found some very special tools and objects that tell us about people who lived a long, long time ago! What they found is like a new puzzle piece that helps us understand how people used to live.",
        ],
    }
)

eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[
        MetricPromptTemplateExamples.Pointwise.SUMMARIZATION_QUALITY,
        MetricPromptTemplateExamples.Pointwise.GROUNDEDNESS,
        MetricPromptTemplateExamples.Pointwise.VERBOSITY,
        MetricPromptTemplateExamples.Pointwise.INSTRUCTION_FOLLOWING,
    ],
)

prompt_template = (
    "Instruction: {instruction}. Article: {context}. Summary: {response}"
)
result = eval_task.evaluate(prompt_template=prompt_template)

print("Summary Metrics:\n")

for key, value in result.summary_metrics.items():
    print(f"{key}: \t{value}")

print("\n\nMetrics Table:\n")
print(result.metrics_table)
# Example response:
# Summary Metrics:
# row_count:      2
# summarization_quality/mean:     3.5
# summarization_quality/std:      2.1213203435596424
# ...

Go

import (
	context_pkg "context"
	"fmt"
	"io"

	aiplatform "cloud.google.com/go/aiplatform/apiv1beta1"
	aiplatformpb "cloud.google.com/go/aiplatform/apiv1beta1/aiplatformpb"
	"google.golang.org/api/option"
)

// evaluateModelResponse evaluates the output of an LLM for groundedness, i.e., how well
// the model response connects with verifiable sources of information
func evaluateModelResponse(w io.Writer, projectID, location string) error {
	// location = "us-central1"
	ctx := context_pkg.Background()
	apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	client, err := aiplatform.NewEvaluationClient(ctx, option.WithEndpoint(apiEndpoint))

	if err != nil {
		return fmt.Errorf("unable to create aiplatform client: %w", err)
	}
	defer client.Close()

	// evaluate the pre-generated model response against the reference (ground truth)
	responseToEvaluate := `
The city is undertaking a major project to revamp its public transportation system.
This initiative is designed to improve efficiency, reduce carbon emissions, and promote
eco-friendly commuting. The city expects that this investment will enhance accessibility
and usher in a new era of sustainable urban transportation.
`
	reference := `
As part of a comprehensive initiative to tackle urban congestion and foster
sustainable urban living, a major city has revealed ambitious plans for an
extensive overhaul of its public transportation system. The project aims not
only to improve the efficiency and reliability of public transit but also to
reduce the city\'s carbon footprint and promote eco-friendly commuting options.
City officials anticipate that this strategic investment will enhance
accessibility for residents and visitors alike, ushering in a new era of
efficient, environmentally conscious urban transportation.
`
	req := aiplatformpb.EvaluateInstancesRequest{
		Location: fmt.Sprintf("projects/%s/locations/%s", projectID, location),
		// Check the API reference for a full list of supported metric inputs:
		// https://cloud.google.com/vertex-ai/docs/reference/rpc/google.cloud.aiplatform.v1beta1#evaluateinstancesrequest
		MetricInputs: &aiplatformpb.EvaluateInstancesRequest_GroundednessInput{
			GroundednessInput: &aiplatformpb.GroundednessInput{
				MetricSpec: &aiplatformpb.GroundednessSpec{},
				Instance: &aiplatformpb.GroundednessInstance{
					Context:    &reference,
					Prediction: &responseToEvaluate,
				},
			},
		},
	}

	resp, err := client.EvaluateInstances(ctx, &req)
	if err != nil {
		return fmt.Errorf("evaluateInstances failed: %v", err)
	}

	results := resp.GetGroundednessResult()
	fmt.Fprintf(w, "score: %.2f\n", results.GetScore())
	fmt.Fprintf(w, "confidence: %.2f\n", results.GetConfidence())
	fmt.Fprintf(w, "explanation:\n%s\n", results.GetExplanation())
	// Example response:
	// score: 1.00
	// confidence: 1.00
	// explanation:
	// STEP 1: All aspects of the response are found in the context.
	// The response accurately summarizes the city's plan to overhaul its public transportation system, highlighting the goals of ...
	// STEP 2: According to the rubric, the response is scored 1 because all aspects of the response are attributable to the context.

	return nil
}

Ausgabe bewerten: Qualität der paarweisen Zusammenfassung

Im folgenden Beispiel wird gezeigt, wie Sie die Gen AI Evaluation Service API aufrufen, um die Ausgabe eines LLM anhand eines paarweisen Vergleichs der Zusammenfassungsqualität zu bewerten.

REST

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: .
  • LOCATION: Die Region, in der die Anfrage verarbeitet werden soll.
  • PREDICTION: LLM-Antwort.
  • BASELINE_PREDICTION: LLM-Antwort des Basismodells.
  • INSTRUCTION: Die Anweisung, die zur Inferenzzeit verwendet wird.
  • CONTEXT: Inferenzzeittext, der alle relevanten Informationen enthält, die in der LLM-Antwort verwendet werden können.

HTTP-Methode und URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/LOCATION:evaluateInstances \

JSON-Text der Anfrage:

{
  "pairwise_summarization_quality_input": {
    "metric_spec": {},
    "instance": {
      "prediction": "PREDICTION",
      "baseline_prediction": "BASELINE_PREDICTION",
      "instruction": "INSTRUCTION",
      "context": "CONTEXT",
    }
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/LOCATION:evaluateInstances \"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/LOCATION:evaluateInstances \" | Select-Object -Expand Content

Python

Python

Informationen zur Installation des Vertex AI SDK for Python finden Sie unter Vertex AI SDK for Python installieren. Weitere Informationen finden Sie in der Python-API-Referenzdokumentation. 

import pandas as pd

import vertexai
from vertexai.generative_models import GenerativeModel
from vertexai.evaluation import (
    EvalTask,
    PairwiseMetric,
    MetricPromptTemplateExamples,
)

# TODO(developer): Update & uncomment line below
# PROJECT_ID = "your-project-id"
vertexai.init(project=PROJECT_ID, location="us-central1")

prompt = """
Summarize the text such that a five-year-old can understand.

# Text

As part of a comprehensive initiative to tackle urban congestion and foster
sustainable urban living, a major city has revealed ambitious plans for an
extensive overhaul of its public transportation system. The project aims not
only to improve the efficiency and reliability of public transit but also to
reduce the city\'s carbon footprint and promote eco-friendly commuting options.
City officials anticipate that this strategic investment will enhance
accessibility for residents and visitors alike, ushering in a new era of
efficient, environmentally conscious urban transportation.
"""

eval_dataset = pd.DataFrame({"prompt": [prompt]})

# Baseline model for pairwise comparison
baseline_model = GenerativeModel("gemini-2.0-flash-lite-001")

# Candidate model for pairwise comparison
candidate_model = GenerativeModel(
    "gemini-2.0-flash-001", generation_config={"temperature": 0.4}
)

prompt_template = MetricPromptTemplateExamples.get_prompt_template(
    "pairwise_summarization_quality"
)

summarization_quality_metric = PairwiseMetric(
    metric="pairwise_summarization_quality",
    metric_prompt_template=prompt_template,
    baseline_model=baseline_model,
)

eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[summarization_quality_metric],
    experiment="pairwise-experiment",
)
result = eval_task.evaluate(model=candidate_model)

baseline_model_response = result.metrics_table["baseline_model_response"].iloc[0]
candidate_model_response = result.metrics_table["response"].iloc[0]
winner_model = result.metrics_table[
    "pairwise_summarization_quality/pairwise_choice"
].iloc[0]
explanation = result.metrics_table[
    "pairwise_summarization_quality/explanation"
].iloc[0]

print(f"Baseline's story:\n{baseline_model_response}")
print(f"Candidate's story:\n{candidate_model_response}")
print(f"Winner: {winner_model}")
print(f"Explanation: {explanation}")
# Example response:
# Baseline's story:
# A big city wants to make it easier for people to get around without using cars! They're going to make buses and trains ...
#
# Candidate's story:
# A big city wants to make it easier for people to get around without using cars! ... This will help keep the air clean ...
#
# Winner: CANDIDATE
# Explanation: Both responses adhere to the prompt's constraints, are grounded in the provided text, and ... However, Response B ...

Go

Go

Bevor Sie dieses Beispiel anwenden, folgen Sie den Go Schritten zur Einrichtung in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Go API.

Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten. 

import (
	context_pkg "context"
	"fmt"
	"io"

	aiplatform "cloud.google.com/go/aiplatform/apiv1beta1"
	aiplatformpb "cloud.google.com/go/aiplatform/apiv1beta1/aiplatformpb"
	"google.golang.org/api/option"
)

// pairwiseEvaluation lets the judge model to compare the responses of two models and pick the better one
func pairwiseEvaluation(w io.Writer, projectID, location string) error {
	// location = "us-central1"
	ctx := context_pkg.Background()
	apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	client, err := aiplatform.NewEvaluationClient(ctx, option.WithEndpoint(apiEndpoint))

	if err != nil {
		return fmt.Errorf("unable to create aiplatform client: %w", err)
	}
	defer client.Close()

	context := `
As part of a comprehensive initiative to tackle urban congestion and foster
sustainable urban living, a major city has revealed ambitious plans for an
extensive overhaul of its public transportation system. The project aims not
only to improve the efficiency and reliability of public transit but also to
reduce the city\'s carbon footprint and promote eco-friendly commuting options.
City officials anticipate that this strategic investment will enhance
accessibility for residents and visitors alike, ushering in a new era of
efficient, environmentally conscious urban transportation.
`
	instruction := "Summarize the text such that a five-year-old can understand."
	baselineResponse := `
The city wants to make it easier for people to get around without using cars.
They're going to make the buses and trains better and faster, so people will want to
use them more. This will help the air be cleaner and make the city a better place to live.
`
	candidateResponse := `
The city is making big changes to how people get around. They want to make the buses and
trains work better and be easier for everyone to use. This will also help the environment
by getting people to use less gas. The city thinks these changes will make it easier for
everyone to get where they need to go.
`

	req := aiplatformpb.EvaluateInstancesRequest{
		Location: fmt.Sprintf("projects/%s/locations/%s", projectID, location),
		MetricInputs: &aiplatformpb.EvaluateInstancesRequest_PairwiseSummarizationQualityInput{
			PairwiseSummarizationQualityInput: &aiplatformpb.PairwiseSummarizationQualityInput{
				MetricSpec: &aiplatformpb.PairwiseSummarizationQualitySpec{},
				Instance: &aiplatformpb.PairwiseSummarizationQualityInstance{
					Context:            &context,
					Instruction:        &instruction,
					Prediction:         &candidateResponse,
					BaselinePrediction: &baselineResponse,
				},
			},
		},
	}

	resp, err := client.EvaluateInstances(ctx, &req)
	if err != nil {
		return fmt.Errorf("evaluateInstances failed: %v", err)
	}

	results := resp.GetPairwiseSummarizationQualityResult()
	fmt.Fprintf(w, "choice: %s\n", results.GetPairwiseChoice())
	fmt.Fprintf(w, "confidence: %.2f\n", results.GetConfidence())
	fmt.Fprintf(w, "explanation:\n%s\n", results.GetExplanation())
	// Example response:
	// choice: BASELINE
	// confidence: 0.50
	// explanation:
	// BASELINE response is easier to understand. For example, the phrase "..." is easier to understand than "...". Thus, BASELINE response is ...

	return nil
}

ROUGE-Wert abrufen

Im folgenden Beispiel wird die Gen AI Evaluation Service API aufgerufen, um den ROUGE-Score einer Vorhersage abzurufen, die anhand einer Reihe von Eingaben generiert wurde. Für die ROUGE-Eingaben wird metric_spec verwendet, wodurch das Verhalten der Metrik bestimmt wird.

REST

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: .
  • LOCATION: Die Region, in der die Anfrage verarbeitet werden soll.
  • PREDICTION: LLM-Antwort.
  • REFERENCE: Goldene LLM-Antwort als Referenz.
  • ROUGE_TYPE: Die Berechnung, die zum Ermitteln des ROUGE-Scores verwendet wird. Zulässige Werte finden Sie unter metric_spec.rouge_type.
  • USE_STEMMER: Gibt an, ob der Porter-Stemmer zum Entfernen von Wortsuffixen verwendet werden soll, um die Übereinstimmung zu verbessern. Zulässige Werte finden Sie unter metric_spec.use_stemmer.
  • SPLIT_SUMMARIES: Legt fest, ob zwischen rougeLsum-Sätzen neue Zeilen eingefügt werden. Zulässige Werte finden Sie unter metric_spec.split_summaries .

HTTP-Methode und URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/REGION:evaluateInstances \

JSON-Text der Anfrage:

{
  "rouge_input": {
    "instances": {
      "prediction": "PREDICTION",
      "reference": "REFERENCE.",
    },
    "metric_spec": {
      "rouge_type": "ROUGE_TYPE",
      "use_stemmer": USE_STEMMER,
      "split_summaries": SPLIT_SUMMARIES,
    }
  }
}

Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:

curl

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/REGION:evaluateInstances \"

PowerShell

Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID-/locations/REGION:evaluateInstances \" | Select-Object -Expand Content

Python

Python

Informationen zur Installation des Vertex AI SDK for Python finden Sie unter Vertex AI SDK for Python installieren. Weitere Informationen finden Sie in der Python-API-Referenzdokumentation. 

import pandas as pd

import vertexai
from vertexai.preview.evaluation import EvalTask

# TODO(developer): Update & uncomment line below
# PROJECT_ID = "your-project-id"
vertexai.init(project=PROJECT_ID, location="us-central1")

reference_summarization = """
The Great Barrier Reef, the world's largest coral reef system, is
located off the coast of Queensland, Australia. It's a vast
ecosystem spanning over 2,300 kilometers with thousands of reefs
and islands. While it harbors an incredible diversity of marine
life, including endangered species, it faces serious threats from
climate change, ocean acidification, and coral bleaching."""

# Compare pre-generated model responses against the reference (ground truth).
eval_dataset = pd.DataFrame(
    {
        "response": [
            """The Great Barrier Reef, the world's largest coral reef system located
        in Australia, is a vast and diverse ecosystem. However, it faces serious
        threats from climate change, ocean acidification, and coral bleaching,
        endangering its rich marine life.""",
            """The Great Barrier Reef, a vast coral reef system off the coast of
        Queensland, Australia, is the world's largest. It's a complex ecosystem
        supporting diverse marine life, including endangered species. However,
        climate change, ocean acidification, and coral bleaching are serious
        threats to its survival.""",
            """The Great Barrier Reef, the world's largest coral reef system off the
        coast of Australia, is a vast and diverse ecosystem with thousands of
        reefs and islands. It is home to a multitude of marine life, including
        endangered species, but faces serious threats from climate change, ocean
        acidification, and coral bleaching.""",
        ],
        "reference": [reference_summarization] * 3,
    }
)
eval_task = EvalTask(
    dataset=eval_dataset,
    metrics=[
        "rouge_1",
        "rouge_2",
        "rouge_l",
        "rouge_l_sum",
    ],
)
result = eval_task.evaluate()

print("Summary Metrics:\n")
for key, value in result.summary_metrics.items():
    print(f"{key}: \t{value}")

print("\n\nMetrics Table:\n")
print(result.metrics_table)
# Example response:
#
# Summary Metrics:
#
# row_count:      3
# rouge_1/mean:   0.7191161666666667
# rouge_1/std:    0.06765143922270488
# rouge_2/mean:   0.5441118566666666
# ...
# Metrics Table:
#
#                                        response                         reference  ...  rouge_l/score  rouge_l_sum/score
# 0  The Great Barrier Reef, the world's ...  \n    The Great Barrier Reef, the ...  ...       0.577320           0.639175
# 1  The Great Barrier Reef, a vast coral...  \n    The Great Barrier Reef, the ...  ...       0.552381           0.666667
# 2  The Great Barrier Reef, the world's ...  \n    The Great Barrier Reef, the ...  ...       0.774775           0.774775

Go

Go

Bevor Sie dieses Beispiel anwenden, folgen Sie den Go Schritten zur Einrichtung in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Go API.

Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten. 

import (
	"context"
	"fmt"
	"io"

	aiplatform "cloud.google.com/go/aiplatform/apiv1beta1"
	aiplatformpb "cloud.google.com/go/aiplatform/apiv1beta1/aiplatformpb"
	"google.golang.org/api/option"
)

// getROUGEScore evaluates a model response against a reference (ground truth) using the ROUGE metric
func getROUGEScore(w io.Writer, projectID, location string) error {
	// location = "us-central1"
	ctx := context.Background()
	apiEndpoint := fmt.Sprintf("%s-aiplatform.googleapis.com:443", location)
	client, err := aiplatform.NewEvaluationClient(ctx, option.WithEndpoint(apiEndpoint))

	if err != nil {
		return fmt.Errorf("unable to create aiplatform client: %w", err)
	}
	defer client.Close()

	modelResponse := `
The Great Barrier Reef, the world's largest coral reef system located in Australia,
is a vast and diverse ecosystem. However, it faces serious threats from climate change,
ocean acidification, and coral bleaching, endangering its rich marine life.
`
	reference := `
The Great Barrier Reef, the world's largest coral reef system, is
located off the coast of Queensland, Australia. It's a vast
ecosystem spanning over 2,300 kilometers with thousands of reefs
and islands. While it harbors an incredible diversity of marine
life, including endangered species, it faces serious threats from
climate change, ocean acidification, and coral bleaching.
`
	req := aiplatformpb.EvaluateInstancesRequest{
		Location: fmt.Sprintf("projects/%s/locations/%s", projectID, location),
		MetricInputs: &aiplatformpb.EvaluateInstancesRequest_RougeInput{
			RougeInput: &aiplatformpb.RougeInput{
				// Check the API reference for the list of supported ROUGE metric types:
				// https://cloud.google.com/vertex-ai/docs/reference/rpc/google.cloud.aiplatform.v1beta1#rougespec
				MetricSpec: &aiplatformpb.RougeSpec{
					RougeType: "rouge1",
				},
				Instances: []*aiplatformpb.RougeInstance{
					{
						Prediction: &modelResponse,
						Reference:  &reference,
					},
				},
			},
		},
	}

	resp, err := client.EvaluateInstances(ctx, &req)
	if err != nil {
		return fmt.Errorf("evaluateInstances failed: %v", err)
	}

	fmt.Fprintln(w, "evaluation results:")
	fmt.Fprintln(w, resp.GetRougeResults().GetRougeMetricValues())
	// Example response:
	// [score:0.6597938]

	return nil
}

Nächste Schritte