MENU
  1. ホーム
  2. Programming
  3. Python
  4. 【Python】ChatGPT等の言語モデルの精度評価｜LangChain QAEvalChainの利用

【Python】ChatGPT等の言語モデルの精度評価｜LangChain QAEvalChainの利用

Python 機械学習・AI
当ページには広告が含まれています。

こんにちは、DXCEL WAVEの運営者(@dxcelwave)です！

こんな方におすすめ！
  • OpenAI社のChatGPTモデルをもとに作成したチャットボットの性能評価を行いたい
  • LangChain QAEvalChainを用いて、言語モデルの出力精度を評価するPythonプログラム作成方法が知りたい
目次

LangChainとは？

【LangChain公式】https://python.langchain.com/en/latest/index.html

LangChainとは、ChatGPTを代表とするような大規模言語モデル（LLM）の機能を拡張し、サービスとして展開する際に役立つライブラリです。

LangChainの主要機能

LangChainの主要な機能として以下があります。

主要機能概要
Models様々な大規模言語モデルを同じインターフェース上で取り扱えるようにする機能
Promptsプロンプトの管理、最適化、シリアル化ができる機能
Memory言語モデルを用いてユーザーと対話した履歴を記憶する機能
Data connection言語モデルに外部データを投入し、外部データに基づく回答を生成する機能
Chainsチェーンを複数繋げて、一連の処理を連続実行する機能
Agentsユーザーからの要望をどんな手段・順序で応えるか決定・実行する機能

LangChainの各種機能の詳細を知りたい方は、こちらの記事をご覧下さい。

あわせて読みたい
LangChainとは？｜概要・主要機能を徹底解説 LangChainの概要および主要機能であるModels・Prompts・Data Connection・Agents・Memory・Chainsについて解説します。

【参考】LangChainを用いたプログラミング実装におすすめの学習教材

LangChainライブラリを用いてプログラミングし、アプリケーションを実装したい方向けに、おすすめの学習教材をご紹介します。

【事前準備】Pythonライブラリインストール・OpenAI API情報取得

大規模言語モデル（LLM）やチャットモデルの回答性能評価に際して、必要な準備2点を実施しましょう。

Pythonライブラリのインストール

Pythonプログラム実装に際して、以下に示すライブラリをインストールします。

openai

OpenAI社のGPTモデル呼出に必要なライブラリです。

pip install --upgrade openai

langchain

LangChain機能利用に際して必要なライブラリです。

pip install langchain

【ChatGPT】OpenAI社のAPI発行

LangChain機能構築に際して、OpenAI社が提供するGPTモデルをAPI経由で呼び出す必要があります。

OpenAI社の公式サイトから「API シークレットキー」を事前に発行しておきましょう。なお、シークレットキーの発行方法はこちらの記事で詳しく解説しています。

あわせて読みたい
【Python×ChatGPT】チャットボット作成入門｜OpenAI APIの利用申請手順も解説 「ChatGPT APIの利用手順」と「PythonでChatGPT APIを呼び出し、チャットボットを作成する方法」についてそれぞれ解説します。

【Python × LangChain】LLM・チャットモデルの性能評価

LangChain Chains機能の１つであるQAEvalChainを用いて、ChatGPTのような大規模言語モデル（LLM）の出力性能を評価する方法について解説します。

LangChain Chainsの詳しい内容についてはこちらの記事で解説しています。

あわせて読みたい
【Python】LangChain Chainsとは？｜ChatGPTを組み合わせた複数言語処理モデル作成 「LangChain Chainsの概要」および「ChatGPT APIとPythonを用いたLangChain Chainsの実装方法」についてそれぞれ解説します。

【データ準備】テストデータを準備

大規模言語モデル（LLM）の性能評価に用いるテストデータ準備します。

テストデータイメージ

LLMに渡す質問内容queryと期待する回答結果answerという列を持つExcelファイルを準備します。

queryanswer
日本の首都はどこですか？東京
フランスの首都はどこですか？パリ
イギリスの首都はどこですか？ロンドン
アメリカの首都はどこですか？ワシントンD.C

テストデータサンプルのダウンロード

サンプルとして、validation.xlsxというExcelファイルをご自由にダウンロードしてお使い下さい。

Pythonライブラリのインストール

Pythonファイルの先頭に以下のプログラムを配置し、OpenAI社のサイトから取得したシークレットキーを記述しましょう。

import openai
import pandas as pd
import os

# APIシークレットキーを記述
SECRET_KEY  = "............."

# API認証情報設定
os.environ["OPENAI_API_KEY"] = SECRET_KEY

テストデータの読込

前述で用意したテストデータをPython環境に読み込みます。以下のコードを実行しましょう。

コード

# ====================================================================
# テストデータ読込
# ====================================================================

# 性能評価用の検証データを読込
test_data = pd.read_excel("validation.xlsx")

# データ構造を辞書型に変換
test_data_dict_list  = [] 
for i in range(len(test_data)):
    test_dta_dict = {"query":  test_data.loc[i,"query"],
                     "answer": test_data.loc[i,"answer"],}
    test_data_dict_list.append(test_dta_dict)

出力イメージ

上記データ読込時に、後述の性能評価のために、テストデータの構造を辞書形式に変換しています。

# 出力
print(test_data_dict_list)

# 出力イメージ
# [{'query': '日本の首都はどこですか？', 'answer': '東京'}, 
#  {'query': 'フランスの首都はどこですか？', 'answer': 'パリ'}, 
#  {'query': 'イギリスの首都はどこですか？', 'answer': 'ロンドン'}, 
#  {'query': 'アメリカの首都はどこですか？', 'answer': 'ワシントンD.C'}]

大規模言語モデルを準備

性能評価したいLLM・チャットモデルを準備しましょう。サンプルとして単純なLLM作成例を示します。

from langchain.llms import OpenAI

# ====================================================================
# 言語モデル作成
# - ここの枠にご自身で作成した言語モデルを定義すると良い
# ====================================================================

# LLM作成
LLM = OpenAI(
            model_name        = "text-davinci-003", # OpenAIモデル名
            temperature       = 0,                  # 出力する単語のランダム性（0から2の範囲） 0であれば毎回返答内容固定
            n                 = 1,                  # いくつの返答を生成するか           
            )

大規模言語モデル実行

前述で作成したLLMに対して、テストデータに用意された質問内容queryを投入します。そこで得られた出力結果をresultとして保存します。

コード

# ====================================================================
# テストデータの質問内容をモデルに投入＆出力結果を保存
# ====================================================================

for i in range(len(test_data_dict_list)):
    
    # LLM実行
    model_result = LLM(test_data_dict_list[i]["query"]).replace("\n","")

    # LLM実行結果格納
    test_data_dict_list[i]["result"] = model_result

出力イメージ

テストデータの辞書リストtest_data_dict_listを出力すると、モデルの回答結果resultも併せて確認できるようになりました。

# 出力
print(test_data_dict_list)

# 出力イメージ
# [{'query': '日本の首都はどこですか？',    'answer': '東京',         'result': '日本の首都は東京都です。'},
#  {'query': 'フランスの首都はどこですか？', 'answer': 'パリ',         'result': 'パリです。'},
#  {'query': 'イギリスの首都はどこですか？', 'answer': 'ロンドン',      'result': 'イギリスの首都はロンドンです。'},
#  {'query': 'アメリカの首都はどこですか？', 'answer': 'ワシントンD.C', 'result': 'ワシントンD.C.'}]

QAEvalChainによる大規模言語モデルの性能評価

テストデータの質問内容queryと期待する回答結果answer、LLMの回答結果resultをLangChain QAEvalChainに渡すことで、LLMの回答精度を評価します。

LLMの回答精度の評価方法は、LangChain Prompt Templateに対して自由に定義することができます。

以下、「判定」と「スコアリング」という2つの評価方法を例として示します。

（１）性能評価｜判定

LangChain QAEvalChainを用いた性能評価（判定）方法について解説します。

コード

from langchain.evaluation.qa import QAEvalChain
from langchain.prompts import PromptTemplate

# ====================================================================================
# プロンプトテンプレート作成
# ====================================================================================
  
# 評価用テンプレート
template = \
    """
    You are a teacher grading a quiz.
    You are given a {query}, the student's answer as {result}, and the true answer as {answer}, 
    and are asked to score the student's answer as either CORRECT or INCORRECT.
    Output format: CORRECT or INCORRECT
    """

# プロンプトテンプレート
prompt_template = PromptTemplate(
                        input_variables = ["query", "answer", "result"], 
                        template        = template)


# ====================================================================================
# 評価用チェーン
# ====================================================================================

# QAEvalChain作成
evaluation_chain = QAEvalChain.from_llm(
                                  llm     = OpenAI(),          # 正解ラベルとモデル出力結果が正しいか判断するLLM 
                                  verbose = False,             # 途中プロンプトの表示有無
                                  prompt  = prompt_template,   # プロンプトテンプレート
                                 )

# QAEvalChain実行
graded_outputs = evaluation_chain.evaluate(
                                  test_data_dict_list,         # 教師データ（クエリと正解ラベル)を含む辞書リスト
                                  test_data_dict_list,         # モデルの出力結果（result）を含むの辞書リスト
                                  question_key   = "query",    # テストデータの入力項目
                                  answer_key     = "answer",   # テストデータの入力項目に対する正解ラベル
                                  prediction_key = "result",   # モデルの出力結果に該当する項目
                                         )


# ====================================================================================
# 評価結果格納
# ====================================================================================

for i in range(len(test_data_dict_list)):
    test_data_dict_list[i]["QAEval"] = graded_outputs[i]["text"].replace("\n","").replace(" ","")
    
    
print(test_data_dict_list)

出力イメージ

上記コードで作成したQAEvalChainの実行結果を示します。

質問内容queryに対して、期待する回答answerとLLMの回答resultが類似する場合「COLLECT」、類似しない場合「INCORRECT」と出力されます。

# 出力
print(test_data_dict_list)

# 出力イメージ
# [{'query': '日本の首都はどこですか？',
#   'answer': '東京',
#   'result': '日本の首都は東京都です。',
#   'QAEval': 'CORRECT'},

#  {'query': 'フランスの首都はどこですか？',
#   'answer': 'パリ',
#   'result': 'パリです。',
#   'QAEval': 'CORRECT'},

#  {'query': 'イギリスの首都はどこですか？',
#   'answer': 'ロンドン',
#   'result': 'イギリスの首都はロンドンです。',
#   'QAEval': 'CORRECT'},

#  {'query': 'アメリカの首都はどこですか？',
#   'answer': 'ワシントンD.C',
#   'result': 'ワシントンD.C.',
#   'QAEval': 'CORRECT'}]
（2）性能評価｜スコアリング

LangChain QAEvalChainを用いた性能評価（スコアリング）方法について解説します。

コード

from langchain.evaluation.qa import QAEvalChain
from langchain.prompts import PromptTemplate

# ====================================================================================
# プロンプトテンプレート作成
# ====================================================================================
  
# 評価用テンプレート
template = \
    """
    You are an expert professor specialized in grading students' answers to questions.
    You are grading the following question:{query}
    Here is the real answer:{answer}
    You are grading the following predicted answer:{result}
    What grade do you give from 0 to 10, where 0 is the lowest (very low similarity) and 10 is the highest (very high similarity)?
    Output format: grade
    """

# プロンプトテンプレート
prompt_template = PromptTemplate(
                        input_variables = ["query", "answer", "result"], 
                        template        = template)


# ====================================================================================
# 評価用チェーン
# ====================================================================================

# QAEvalChain作成
evaluation_chain = QAEvalChain.from_llm(
                                  llm     = OpenAI(),          # 正解ラベルとモデル出力結果が正しいか判断するLLM 
                                  verbose = False,             # 途中プロンプトの表示有無
                                  prompt  = prompt_template,   # プロンプトテンプレート
                                 )

# QAEvalChain実行
graded_outputs = evaluation_chain.evaluate(
                                  test_data_dict_list,         # 教師データ（クエリと正解ラベル)を含む辞書リスト
                                  test_data_dict_list,         # モデルの出力結果（result）を含むの辞書リスト
                                  question_key   = "query",    # テストデータの入力項目
                                  answer_key     = "answer",   # テストデータの入力項目に対する正解ラベル
                                  prediction_key = "result",   # モデルの出力結果に該当する項目
                                         )


# ====================================================================================
# 評価結果格納
# ====================================================================================

for i in range(len(test_data_dict_list)):
    test_data_dict_list[i]["QAEval"] = graded_outputs[i]["text"].replace("\n","").replace(" ","")

出力イメージ

上記コードで作成したQAEvalChainの実行結果を示します。

質問内容queryに対して、期待する回答answerとLLMの回答resultが類似する場合10点に近いスコアを示し、類似しない場合0点に近いスコアが出力されます。

# 出力
print(test_data_dict_list)

# 出力イメージ
# [{'query': '日本の首都はどこですか？',
#   'answer': '東京',
#   'result': '日本の首都は東京都です。',
#   'QAEval': '10'},
 
#  {'query': 'フランスの首都はどこですか？',
#   'answer': 'パリ',
#   'result': 'パリです。',
#   'QAEval': '10'},
 
#  {'query': 'イギリスの首都はどこですか？',
#   'answer': 'ロンドン',
#   'result': 'イギリスの首都はロンドンです。',
#   'QAEval': '10'},
 
#  {'query': 'アメリカの首都はどこですか？',
#   'answer': 'ワシントンD.C',
#   'result': 'ワシントンD.C.',
#   'QAEval': '10'}]

【参考】PythonによるLLM実装｜ChatGPT・LangChain

本記事では、PythonでLLMを構築し、様々なタスクをこなす機能の実装方法を多数解説しています。

Python × ChatGPT関連記事

【あわせて読みたい】

Python × LangChain関連記事

【あわせて読みたい】

自然言語処理の学習におすすめの書籍

あわせて読みたい
自然言語処理(NLP)学習におすすめ入門本・動画教材8選｜Pythonによる機械学習・ディープラーニング向け... 「自然言語処理の概要とそれを実装するPythonプログラミング手法を学びたい」「機械学習・AIを組み合わせたモデル開発手法を知りたい」このような要望にお答えします。

自然言語処理の概要について詳しく学びたい方向けに、厳選したおすすめの学習教材を紹介しています。

最後に

お問い合わせフォーム

上記課題に向けてご気軽にご相談下さい。
お問い合わせはこちら

【参考】PythonによるLLM実装｜ChatGPT・LangChain

本記事では、PythonでLLMを構築し、様々なタスクをこなす機能の実装方法を多数解説しています。

Python × ChatGPT関連記事

【あわせて読みたい】

Python × LangChain関連記事

【あわせて読みたい】

自然言語処理の学習におすすめの書籍

あわせて読みたい
自然言語処理(NLP)学習におすすめ入門本・動画教材8選｜Pythonによる機械学習・ディープラーニング向け... 「自然言語処理の概要とそれを実装するPythonプログラミング手法を学びたい」「機械学習・AIを組み合わせたモデル開発手法を知りたい」このような要望にお答えします。

自然言語処理の概要について詳しく学びたい方向けに、厳選したおすすめの学習教材を紹介しています。

Python 機械学習・AI
ChatGPT LangChain 自然言語処理

この記事が気に入ったら
フォローしてね！

目次