Claude Platform Docs
ベストプラクティステストと評価

成功基準を定義し、評価を構築する

LLMアプリケーションの測定可能な成功基準を定義し、完全一致チェックからLLMベースの採点まで、それをテストするための評価を構築します。

成功するLLMベースのアプリケーションの構築は、成功基準を明確に定義し、次にそれに対するパフォーマンスを測定するための評価を設計することから始まります。このサイクルはプロンプトエンジニアリングの中心です。

プロンプトエンジニアリングのフローチャート:test cases(テストケース)、preliminary prompt(予備プロンプト)、iterative testing and refinement(反復的なテストと改良)、final validation(最終検証)、ship(リリース)

成功基準を定義する

良い成功基準とは次のようなものです。

  • 具体的(Specific): 達成したいことを明確に定義します。「良いパフォーマンス」ではなく、「正確な感情分類」のように指定します。

  • 測定可能(Measurable): 定量的な指標または明確に定義された定性的な尺度を使用します。数値は明確さとスケーラビリティをもたらしますが、定性的な尺度も定量的な尺度と併せて一貫して適用すれば価値があります。

    • 倫理や安全性のような「曖昧な」トピックでさえ定量化できます。
      安全性の基準
      悪い例安全な出力
      良い例10,000回の試行のうち、コンテンツフィルターによって有害性のフラグが立てられた出力が0.1%未満であること。

  • 達成可能(Achievable): 業界のベンチマーク、過去の実験、AI研究、または専門家の知識に基づいて目標を設定します。成功指標は、現在のフロンティアモデルの能力に対して非現実的なものであってはなりません。

  • 関連性がある(Relevant): 基準をアプリケーションの目的とユーザーのニーズに合わせます。高い引用精度は医療アプリでは重要かもしれませんが、カジュアルなチャットボットではそれほど重要ではありません。

一般的な成功基準

ユースケースにとって重要となる可能性のある基準をいくつか紹介します。このリストは網羅的なものではありません。

ほとんどのユースケースでは、複数の成功基準に沿った多次元的な評価が必要です。


評価を構築する

評価設計の原則

  1. タスク固有にする: 実世界のタスク分布を反映した評価を設計します。エッジケースを考慮に入れることを忘れないでください!

  2. 可能な限り自動化する: 自動採点が可能になるように質問を構成します(例:多肢選択、文字列一致、コードによる採点、LLMによる採点)。
  3. 質より量を優先する: シグナルがやや低い自動採点による多くの質問の方が、高品質な人間の手作業による採点の少ない質問よりも優れています。

評価の例


評価を採点する

評価の採点にどの方法を使用するかを決める際は、最も速く、最も信頼性が高く、最もスケーラブルな方法を選択してください。

  1. コードベースの採点: 最も速く信頼性が高く、非常にスケーラブルですが、ルールベースの厳格さがあまり求められない、より複雑な判断に対するニュアンスに欠けます。

    • 完全一致:output == golden_answer
    • 文字列一致:key_phrase in output
  2. 人間による採点: 最も柔軟で高品質ですが、遅くて高価です。可能であれば避けてください。

  3. LLMベースの採点: 速くて柔軟、スケーラブルで複雑な判断に適しています。まず信頼性を確認するためにテストし、その後スケールさせてください。

LLMベースの採点のヒント

  • 詳細で明確なルーブリックを用意する: 「回答は常に最初の文で『Acme Inc.』に言及する必要があります。言及していない場合、回答は自動的に『不正解』と採点されます。」
  • 実証的または具体的にする: 例えば、LLMに「correct」または「incorrect」のみを出力するよう指示するか、1〜5の尺度で判断するよう指示します。純粋に定性的な評価は、迅速かつ大規模に評価するのが困難です。
  • 推論を促す: 評価スコアを出す前にまず推論するようLLMに依頼し、その後推論を破棄します。これにより、特に複雑な判断を必要とするタスクにおいて評価パフォーマンスが向上します。

次のステップ

claude.aiでClaudeと一緒にユースケースの成功基準をブレインストーミングしましょう。

ヒント: このページをClaudeへのガイダンスとしてチャットにドロップしてください!

人間、コード、LLMによって採点される評価のさらなるコード例。

Was this page helpful?