Cargando

Ejecutar la evaluación

Lección 1315 min
Cargando

Ahora que tenemos nuestro conjunto de datos de evaluación listo, es momento de construir la canalización de evaluación principal. Esto implica tomar cada caso de prueba, combinarlo con nuestro prompt, enviarlo a Claude y luego calificar los resultados.

Un prompt con un marcador de posición para la pregunta, tres preguntas de prueba como "¿Cuánto es 2+2?", y las respuestas de Claude como "2 + 2 = 4".

El proceso de evaluación sigue un flujo de trabajo claro: tomamos nuestro conjunto de datos de casos de prueba, combinamos cada uno con nuestra plantilla de prompt, lo enviamos a Claude para su procesamiento y luego evaluamos la salida usando un sistema de calificación.

Construyendo las funciones principales

La canalización de evaluación consta de tres funciones principales, cada una con una responsabilidad específica. Empecemos con la más simple: la función que maneja los prompts individuales.

La función run_prompt

Esta función toma un caso de prueba y lo combina con nuestra plantilla de prompt:

python
def run_prompt(test_case):
    """Merges the prompt and test case input, then returns the result"""
    prompt = f"""
Please solve the following task:

{test_case["task"]}
"""
    
    messages = []
    add_user_message(messages, prompt)
    output = chat(messages)
    return output

Por ahora, mantenemos el prompt extremadamente simple. No incluimos ninguna instrucción de formato, así que es probable que Claude devuelva una salida más extensa de lo que necesitamos. Refinaremos esto más adelante a medida que iteremos en el diseño de nuestro prompt.

La función run_test_case

Esta función orquesta la ejecución de un caso de prueba individual y la calificación del resultado:

python
def run_test_case(test_case):
    """Calls run_prompt, then grades the result"""
    output = run_prompt(test_case)
    
    # TODO - Calificación
    score = 10
    
    return {
        "output": output,
        "test_case": test_case,
        "score": score
    }

Por ahora, estamos usando una puntuación fija de 10. La lógica de calificación es donde dedicaremos una cantidad significativa de tiempo en las próximas secciones, pero este marcador de posición nos permite probar la canalización en general.

La función run_eval

Esta función coordina todo el proceso de evaluación:

python
def run_eval(dataset):
    """Loads the dataset and calls run_test_case with each case"""
    results = []
    
    for test_case in dataset:
        result = run_test_case(test_case)
        results.append(result)
    
    return results

Esta función procesa cada caso de prueba en nuestro conjunto de datos y recopila todos los resultados en una sola lista.

Ejecutando la evaluación

Para ejecutar nuestra canalización de evaluación, cargamos nuestro conjunto de datos y lo pasamos por nuestras funciones:

python
with open("dataset.json", "r") as f:
    dataset = json.load(f)

results = run_eval(dataset)

La primera vez que ejecutes esto, espera que tome algo de tiempo; incluso con Claude Haiku, puede tardar alrededor de 30 segundos en procesar un conjunto de datos completo. Más adelante cubriremos técnicas de optimización.

Examinando los resultados

La evaluación devuelve un arreglo JSON estructurado donde cada objeto representa el resultado de un caso de prueba:

python
print(json.dumps(results, indent=2))

Un prompt con un marcador de posición para la pregunta, tres preguntas de prueba como "¿Cuánto es 2+2?", y las respuestas de Claude como "2 + 2 = 4".

Cada resultado contiene tres datos clave:

  • output: La respuesta completa de Claude
  • test_case: El caso de prueba original que se procesó
  • score: La puntuación de evaluación (actualmente fija)

Como puedes ver en la salida, Claude genera respuestas bastante extensas ya que aún no hemos proporcionado instrucciones de formato específicas. Este es exactamente el tipo de problema que abordaremos a medida que refinemos nuestros prompts.

Etapa del calificador de la canalización de eval resaltada: los tres pares de pregunta y respuesta van a un calificador, puntuados 10, 4 y 9.

Lo que hemos logrado

En este punto, hemos construido con éxito la canalización de evaluación principal. Podemos tomar nuestro conjunto de datos, procesarlo a través de Claude y recopilar resultados estructurados. La pieza principal que falta es el sistema de calificación: esa puntuación fija de 10 debe reemplazarse con lógica de evaluación real.

Esta canalización representa la base de la mayoría de los sistemas de evaluación de IA. Aunque pueda parecer simple, acabas de construir la mayoría de lo que realmente hace una canalización de eval. La complejidad está en los detalles: mejores prompts, calificación sofisticada y optimizaciones de rendimiento.

A continuación, profundizaremos en el tema crítico de los calificadores, que transformarán nuestras puntuaciones fijas en evaluaciones significativas del desempeño de Claude.