评估运行

评估运行是用于组织和存储评估 GenAI 应用结果的 MLflow 运行。 评估运行包括以下内容:

  • 跟踪记录:评估数据集中每个输入对应的一条跟踪记录。
  • 反馈:附加到每个轨迹的评分员提供的质量评估。
  • 指标:聚合所有评估示例的统计信息。
  • 元数据:有关评估配置的信息。

如何创建评估过程

调用 mlflow.genai.evaluate()时会自动创建评估运行。 有关详细信息 mlflow.genai.evaluate(),请参阅 MLflow 源代码文档

import mlflow

# This creates an evaluation run
results = mlflow.genai.evaluate(
    data=test_dataset,
    predict_fn=my_app,
    scorers=[correctness_scorer, safety_scorer],
    experiment_name="my_app_evaluations"
)

# Access the run ID
print(f"Evaluation run ID: {results.run_id}")

评估运行结构

Evaluation Run
├── Run Info
│   ├── run_id: unique identifier
│   ├── experiment_id: which experiment it belongs to
│   ├── start_time: when evaluation began
│   └── status: success/failed
├── Traces (one per dataset row)
│   ├── Trace 1
│   │   ├── inputs: {"question": "What is MLflow?"}
│   │   ├── outputs: {"response": "MLflow is..."}
│   │   └── feedbacks: [correctness: 0.8, relevance: 1.0]
│   ├── Trace 2
│   └── ...
├── Aggregate Metrics
│   ├── correctness_mean: 0.85
│   ├── relevance_mean: 0.92
│   └── safety_pass_rate: 1.0
└── Parameters
    ├── model_version: "v2.1"
    ├── dataset_name: "qa_test_v1"
    └── scorers: ["correctness", "relevance", "safety"]