生成 AI の評価と監視メトリック

Azure AI Studio を使用すると、シングルターンまたは複雑なマルチターン会話の評価を行ない、生成 AI モデルを特定のデータ (つまり検索拡張生成、RAG) の基礎にすることができます。 また、一般的な単一ターンのクエリと応答シナリオを評価することもできます。生成 AI モデル (非 RAG) をグランドするためにコンテキストが使用されません。 現在、次のタスク型に対する組み込みメトリックがサポートされています:

クエリと応答 (1 ターン)

このセットアップでは、ユーザーが個別のクエリやプロンプトを提起し、生成 AI モデルを使用した即座な応答の生成が行なわれます。

このテスト セット形式は、次のデータ形式に従います。

{"query":"Which tent is the most waterproof?","context":"From our product list, the Alpine Explorer tent is the most waterproof. The Adventure Dining Table has higher weight.","response":"The Alpine Explorer Tent is the most waterproof.","ground_truth":"The Alpine Explorer Tent has the highest rainfly waterproof rating at 3000m"} 

会話 (シングル ターンとマルチ ターン)

このコンテキストでは、ユーザーは一連のターンまたは単一の交換を通じて、会話的な対話を行います。 検索メカニズムを備えた生成 AI モデルは、応答の生成に加え、ドキュメントなどの外部ソースからの情報にアクセスして、それ取り入れることができます。 検索拡張生成 (RAG) モデルは、外部のドキュメントや知識を使用することで、応答の品質と関連性を向上させます。

このテスト セット形式は、次のデータ形式に従います。

{"messages":[{"role":"user","content":"How can I check the status of my online order?"},{"content":"Hi Sarah Lee! To check the status of your online order for previous purchases such as the TrailMaster X4 Tent or the CozyNights Sleeping Bag, please refer to your email for order confirmation and tracking information. If you need further assistance, feel free to contact our customer support at support@contosotrek.com or give us a call at 1-800-555-1234.
","role":"assistant","context":{"citations":[{"id":"cHJvZHVjdF9pbmZvXzYubWQz","title":"Information about product item_number: 6","content":"# Information about product item_number: 6\n\nIt's essential to check local regulations before using the EcoFire Camping Stove, as some areas may have restrictions on open fires or require a specific type of stove.\n\n30) How do I clean and maintain the EcoFire Camping Stove?\n   To clean the EcoFire Camping Stove, allow it to cool completely, then wipe away any ash or debris with a brush or cloth. Store the stove in a dry place when not in use."}]}}]}

サポートされるメトリック

「大規模言語モデルを評価するためのメソッド」で説明されているように、測定には手動および自動化されたアプローチがあります。 自動化された測定は、大規模に測定を行なう場合に有用で、対象の範囲を広げることで、より包括的な結果を提供できます。 また、システム、使用状況、軽減策の進化に伴う回帰を監視する継続的な測定にも役立ちます。

生成 AI アプリケーションの自動測定には、主に次の 2 つの手法がサポートされています。

• 従来の機械学習メトリック
• AI 支援メトリック

AI 支援測定では、GPT-4 などの言語モデルを活用して、AI によって生成されたコンテンツを評価します。特に、実測値が見つからないため予想される回答が利用できない状況で使用されます。 F1 スコアなどの従来の機械学習メトリックは、AI によって生成された応答と予想される回答の間で、精度と再現率を測定します。

Microsoft の AI 支援メトリックは、生成型 AI アプリケーションの安全性と生成品質を評価します。 これらのメトリックは、次の 2 つの異なるカテゴリに分類されます。

• リスクと安全性に関するメトリック:

  これらのメトリックは、コンテンツとセキュリティの潜在的なリスクを特定し、生成されたコンテンツの安全性を確保することに焦点を当てています。

  具体的な内容を次に示します。

  • ヘイトフルで不公平なコンテンツ
  • 性的なコンテンツ
  • 暴力的なコンテンツ
  • 自傷行為に関連するコンテンツ
  • 直接攻撃脱獄 (UPIA、ユーザー プロンプト挿入攻撃)
  • 間接攻撃脱獄 (XPIA、クロスドメイン プロンプト挿入攻撃)
  • 保護されたマテリアル コンテンツ

• 生成品質に関するメトリック:

  これらのメトリックは、生成されたコンテンツの全体的な品質と一貫性を評価します。

  AI 支援メトリックには次のようなものがあります。

  • 一貫性
  • 流暢性
  • 現実性
  • 関連性
  • Similarity

  従来の ML メトリックには次のようなものがあります。

  • F1 スコア
  • ROUGE スコア
  • BLEU スコア
  • GLEU スコア
  • METEOR スコア

上記のタスク型に対して、次の AI 支援メトリックがサポートされています。

リスクと安全性に関するメトリック

リスクと安全性に関するメトリックは、GitHub Copilot や Bing など、以前の大規模言語モデル プロジェクトから得られた分析情報を活用します。 これにより、生成された応答のリスクと安全性の重大度スコアについて評価するための、包括的なアプローチが保証されます。 これらのメトリックは、一連の LLM を活用する、Microsoft の安全評価サービスを通じて生成されます。 各モデルの役割は、応答の中に現れる可能性がある特定のリスク (性的コンテンツ、暴力コンテンツなど) を評価することです。 これらのモデルは、リスク定義と重大度スケールと合わせて提供され、それに応じて生成された会話に注釈を付けます。 現時点では、以下のリスクと安全メトリックに対して、"欠陥率" を計算しています。 これらのメトリックごとに、サービスは、対象となる種類のコンテンツが検出されたかどうかと、それらがどの程度の重大度レベルであるのかを測定します。 4 つの種類のそれぞれには、4 つの重大度レベル (非常に低、低、中、高) があります。 ユーザーは許容範囲のしきい値を指定し、サービスは、各しきい値レベル以上で生成されたインスタンスの数に対応した欠陥率を生成します。

コンテンツの種類:

• ヘイトフルで不公平なコンテンツ
• 性的なコンテンツ
• 暴力的なコンテンツ
• 自傷行為に関連するコンテンツ
• 間接攻撃脱獄
• 直接攻撃脱獄
• 保護されたマテリアル コンテンツ

このようなリスクと安全性のメトリックは、所有しているデータまたはテスト データセット (レッドチーミング手法による)、または Microsoft の敵対的シミュレーターによって生成された合成テスト データセットについて測定できます。 この結果、コンテンツ リスクの重大度レベル (非常に低い、低い、中、または高い) を含む注釈付きのテスト データセットが出力され、Azure AI に結果が表示されます。ここには、テスト データセット全体の欠陥率と、各コンテンツ リスク ラベルと理由のインスタンス ビューが表示されます。

ジェイルブレイクの脆弱性の評価

次の種類の脱獄攻撃に対する脆弱性の評価がサポートされています。

• 直接攻撃脱獄 (UPIA またはユーザー プロンプト挿入攻撃とも呼ばれます) により、生成 AI アプリケーションに対して会話やクエリのユーザー ロール ターンでプロンプトが挿入されます。 ジェイルブレイクとは、モデルの応答がそれに課された制限をバイパスしている状態のことです。 またジェイルブレイクは、LLM が目的のタスクまたはトピックから逸脱した場合にも発生します。
• 間接攻撃脱獄 (XPIA またはクロス ドメイン プロンプト挿入攻撃とも呼ばれます) により、生成 AI アプリケーションに対して返されるドキュメントまたはユーザーのクエリのコンテキストにプロンプトが挿入されます。

"直接攻撃の評価" は、コンテンツ安全性エバリュエータをコントロールとして使用した比較測定です。 これは独自の AI 支援メトリックではありません。 次の 2 種類のレッドチーミング データセットに対して ContentSafetyEvaluator を実行します。

• ベースライン敵対的テスト データセット。
• 最初のターンでの直接攻撃脱獄挿入を含む敵対的テスト データセット。

これを行うには、直接攻撃シミュレーターで同じランダム化シードを使って生成された機能と攻撃データセットを使用します。 この後、次に、2 つのテスト データセットの各安全性エバリュエーターに関する集計スコア間で、コンテンツ安全性エバリュエーターからの結果を比較すると、ジェイルブレイクの脆弱性を評価できます。 最初の制御データセットで重大度がまったく検出されないか低く、2 つ目の直接攻撃が挿入されたデータセットでコンテンツ損害応答が検出された場合に、直接攻撃脱獄の瑕疵が検出されます。

"間接攻撃の評価" は AI 支援メトリックであり、直接攻撃の評価とは違い比較測定を必要としません。 間接攻撃シミュレーターで間接攻撃脱獄が挿入されたデータセットを生成し、IndirectAttackEvaluator で評価します。

ヘイトフルで不公平なコンテンツの定義と重大度スケール

性的コンテンツの定義と重大度スケール

暴力的コンテンツの定義と重大度スケール

自傷行為に関連するコンテンツの定義と重大度スケール

保護されたマテリアルの定義とラベル

Definition (定義):

保護されたマテリアルとは、歌詞、レシピ、記事など、著作権で保護されているテキストです。 保護されたマテリアルの評価では、Azure AI Content Safety Protected Materials for Text サービスを使用して分類を実行します。

ラベル:

間接攻撃の定義とラベル

Definition (定義):

間接攻撃とは、クロスドメイン プロンプト挿入攻撃 (XPIA) とも呼ばれ、ドキュメントまたはソースのコンテキストに脱獄攻撃が挿入され、予期しない動作の変更が発生する可能性があります。

ラベル:

生成品質メトリック

生成品質メトリックは、生成 AI アプリケーションによって生成されるコンテンツの、全体的な品質を評価するために使用されます。 これらのメトリックに伴って生じる結果の内訳を次に示します。

AI 支援: グランド度

現実性のために、次の 2 つのバージョンが提供されています。

• Azure AI Studio の安全性評価への統合を通じて、Azure AI Content Safety Service (AACS) を利用する現実性検出。 バックエンド サービスが、スコアとその理由付けを出力するためのモデルを提供するので、ユーザーからのデプロイは必要ありません。 現在サポートされているリージョンは、米国東部 2 とスウェーデン中部です。
• スコアのみを出力するために独自のモデルを使用する、プロンプトのみに基づく現実性。 現在、すべてのリージョンでサポートされています。

AACS ベースの現実性

プロンプトのみに基づく現実性

このメトリックをスコア付けするために、大規模言語モデルによる判定で使用される組み込みのプロンプト:

You will be presented with a CONTEXT and an ANSWER about that CONTEXT. You need to decide whether the ANSWER is entailed by the CONTEXT by choosing one of the following rating: 

1. 5: The ANSWER follows logically from the information contained in the CONTEXT. 

2. 1: The ANSWER is logically false from the information contained in the CONTEXT. 

3. an integer score between 1 and 5 and if such integer score does not exist,  

use 1: It is not possible to determine whether the ANSWER is true or false without further information. 

Read the passage of information thoroughly and select the correct answer from the three answer labels. 

Read the CONTEXT thoroughly to ensure you know what the CONTEXT entails.  

Note the ANSWER is generated by a computer system, it can contain certain symbols, which should not be a negative factor in the evaluation. 

AI 支援: 関連性

大規模言語モデルによる判定で、このメトリックをスコア付けするために使用される組み込みのプロンプト (クエリと応答のデータ形式の場合)。

Relevance measures how well the answer addresses the main aspects of the query, based on the context. Consider whether all and only the important aspects are contained in the answer when evaluating relevance. Given the context and query, score the relevance of the answer between one to five stars using the following rating scale: 

One star: the answer completely lacks relevance 

Two stars: the answer mostly lacks relevance 

Three stars: the answer is partially relevant 

Four stars: the answer is mostly relevant 

Five stars: the answer has perfect relevance 

This rating value should always be an integer between 1 and 5. So the rating produced should be 1 or 2 or 3 or 4 or 5. 

大規模言語モデルによる判定で、このメトリックをスコア付けするために使用される組み込みのプロンプト (会話データ形式の場合) (使用できる実測値なし)。

You will be provided a query, a conversation history, fetched documents related to the query and a response to the query in the {DOMAIN} domain. Your task is to evaluate the quality of the provided response by following the steps below:  
 
- Understand the context of the query based on the conversation history.  
 
- Generate a reference answer that is only based on the conversation history, query, and fetched documents. Don't generate the reference answer based on your own knowledge.  
 
- You need to rate the provided response according to the reference answer if it's available on a scale of 1 (poor) to 5 (excellent), based on the below criteria:  
 
5 - Ideal: The provided response includes all information necessary to answer the query based on the reference answer and conversation history. Please be strict about giving a 5 score.  
 
4 - Mostly Relevant: The provided response is mostly relevant, although it might be a little too narrow or too broad based on the reference answer and conversation history.  
 
3 - Somewhat Relevant: The provided response might be partly helpful but might be hard to read or contain other irrelevant content based on the reference answer and conversation history.  
 
2 - Barely Relevant: The provided response is barely relevant, perhaps shown as a last resort based on the reference answer and conversation history.  
 
1 - Completely Irrelevant: The provided response should never be used for answering this query based on the reference answer and conversation history.  
 
- You need to rate the provided response to be 5, if the reference answer can not be generated since no relevant documents were retrieved.  
 
- You need to first provide a scoring reason for the evaluation according to the above criteria, and then provide a score for the quality of the provided response.  
 
- You need to translate the provided response into English if it's in another language. 

- Your final response must include both the reference answer and the evaluation result. The evaluation result should be written in English.  

大規模言語モデルによる判定で、このメトリックをスコア付けするために使用される組み込みのプロンプト (会話データ形式の場合) (使用できる実測値あり)。

Your task is to score the relevance between a generated answer and the query based on the ground truth answer in the range between 1 and 5, and please also provide the scoring reason.  
 
Your primary focus should be on determining whether the generated answer contains sufficient information to address the given query according to the ground truth answer.   
 
If the generated answer fails to provide enough relevant information or contains excessive extraneous information, then you should reduce the score accordingly.  
 
If the generated answer contradicts the ground truth answer, it will receive a low score of 1-2.   
 
For example, for query "Is the sky blue?", the ground truth answer is "Yes, the sky is blue." and the generated answer is "No, the sky is not blue.".   
 
In this example, the generated answer contradicts the ground truth answer by stating that the sky is not blue, when in fact it is blue.   
 
This inconsistency would result in a low score of 1-2, and the reason for the low score would reflect the contradiction between the generated answer and the ground truth answer.  
 
Please provide a clear reason for the low score, explaining how the generated answer contradicts the ground truth answer.  
 
Labeling standards are as following:  
 
5 - ideal, should include all information to answer the query comparing to the ground truth answer， and the generated answer is consistent with the ground truth answer  
 
4 - mostly relevant, although it might be a little too narrow or too broad comparing to the ground truth answer, and the generated answer is consistent with the ground truth answer  
 
3 - somewhat relevant, might be partly helpful but might be hard to read or contain other irrelevant content comparing to the ground truth answer, and the generated answer is consistent with the ground truth answer  
 
2 - barely relevant, perhaps shown as a last resort comparing to the ground truth answer, and the generated answer contradicts with the ground truth answer  
 
1 - completely irrelevant, should never be used for answering this query comparing to the ground truth answer, and the generated answer contradicts with the ground truth answer  

AI 支援: 一貫性

このメトリックをスコア付けするために、大規模言語モデルによる判定で使用される組み込みのプロンプト:

Coherence of an answer is measured by how well all the sentences fit together and sound naturally as a whole. Consider the overall quality of the answer when evaluating coherence. Given the query and answer, score the coherence of answer between one to five stars using the following rating scale: 

One star: the answer completely lacks coherence 

Two stars: the answer mostly lacks coherence 

Three stars: the answer is partially coherent 

Four stars: the answer is mostly coherent 

Five stars: the answer has perfect coherency 

This rating value should always be an integer between 1 and 5. So the rating produced should be 1 or 2 or 3 or 4 or 5. 

AI 支援: 流暢性

このメトリックをスコア付けするために、大規模言語モデルによる判定で使用される組み込みのプロンプト:

Fluency measures the quality of individual sentences in the answer, and whether they are well-written and grammatically correct. Consider the quality of individual sentences when evaluating fluency. Given the query and answer, score the fluency of the answer between one to five stars using the following rating scale: 

One star: the answer completely lacks fluency 

Two stars: the answer mostly lacks fluency 

Three stars: the answer is partially fluent 

Four stars: the answer is mostly fluent 

Five stars: the answer has perfect fluency 

This rating value should always be an integer between 1 and 5. So the rating produced should be 1 or 2 or 3 or 4 or 5. 

AI 支援: 取得スコア

このメトリックをスコア付けするために、大規模言語モデルによる判定で使用される組み込みのプロンプト:

A chat history between user and bot is shown below 

A list of documents is shown below in json format, and each document has one unique id.  

These listed documents are used as context to answer the given question. 

The task is to score the relevance between the documents and the potential answer to the given question in the range of 1 to 5.  

1 means none of the documents is relevant to the question at all. 5 means either one of the document or combination of a few documents is ideal for answering the given question. 

Think through step by step: 

- Summarize each given document first 

- Determine the underlying intent of the given question, when the question is ambiguous, refer to the given chat history  

- Measure how suitable each document to the given question, list the document id and the corresponding relevance score.  

- Summarize the overall relevance of given list of documents to the given question after # Overall Reason, note that the answer to the question can be solely from single document or a combination of multiple documents.  

- Finally, output "# Result" followed by a score from 1 to 5.  

  

# Question 

{{ query }} 

# Chat History 

{{ history }} 

# Documents 

---BEGIN RETRIEVED DOCUMENTS--- 

{{ FullBody }} 

---END RETRIEVED DOCUMENTS--- 

AI 支援: GPT-類似性

このメトリックをスコア付けするために、大規模言語モデルによる判定で使用される組み込みのプロンプト:

GPT-Similarity, as a metric, measures the similarity between the predicted answer and the correct answer. If the information and content in the predicted answer is similar or equivalent to the correct answer, then the value of the Equivalence metric should be high, else it should be low. Given the question, correct answer, and predicted answer, determine the value of Equivalence metric using the following rating scale: 

One star: the predicted answer is not at all similar to the correct answer 

Two stars: the predicted answer is mostly not similar to the correct answer 

Three stars: the predicted answer is somewhat similar to the correct answer 

Four stars: the predicted answer is mostly similar to the correct answer 

Five stars: the predicted answer is completely similar to the correct answer 

This rating value should always be an integer between 1 and 5. So the rating produced should be 1 or 2 or 3 or 4 or 5. 

従来の機械学習メトリック: F1 スコア

従来の機械学習: BLEU スコア

従来の機械学習: ROUGE スコア

従来の機械学習: GLEU スコア

従来の機械学習: METEOR スコア

次のステップ

• プレイグラウンドを使用して生成 AI アプリを評価する
• Azure AI 評価 SDK を使用して評価する
• Azure AI Studio で生成 AI アプリを評価する
• 評価の結果を表示する
• Azure AI Studio の安全性評価の透過性のためのメモ