Evaluating RAG Pipelines

[AkihikoWatanabe]

https://blog.langchain.dev/evaluating-rag-pipelines-with-ragas-langsmith/

[AkihikoWatanabe]

RAG pipeline （retrieval + generation）を評価するライブラリRagasについて紹介されている。

評価に活用される指標は下記で、背後にLLMを活用しているため、大半の指標はラベルデータ不要。ただし、context_recallを測定する場合はreference answerが必要。
Ragasスコアとしてどのメトリックを利用するかは選択することができ、選択したメトリックのharmonic meanでスコアが算出される。

各種メトリックの内部的な処理は下記:

• faithfullness
  • questionと生成された回答に基づいて、statementのリストをLLMで生成する。statementは回答が主張している内容をLLMが解釈したものだと思われる。
  • statementのリストとcontextが与えられたときに、statementがcontextにsupportされているかをLLMで評価する。
  • num. of supported statements / num. of statements でスコアが算出される
• Answer Relevancy
  • LLMで生成された回答から逆に質問を生成し、生成された質問と実際の質問の類似度を測ることで評価
• Context Relevancy
  • どれだけcontextにノイズが含まれるかを測定する。
  • LLMでcontextの各文ごとに回答に必要な文か否かを判断する
  • 回答に必要な文数 / 全文数 でスコアを算出
• Context Recall
  • 回答に必要な情報を全てretrieverが抽出できているか
  • ground truthとなる回答からstatementをLLMで生成し、statementがcontextでどれだけカバーされているかで算出

また、LangSmithを利用して実験を管理する方法についても記述されている。