W&B Weave と W&B Tables でモデルを評価する

W&B Weave と Tables を使った機械学習モデルの評価方法について説明します。

Weave でモデルを評価する

W&B Weave は、LLM や GenAI アプリケーションを評価するための専用ツールキットです。スコアラーやジャッジ、詳細なトレースなどを含む包括的な評価機能を提供し、モデルのパフォーマンスを理解・改善するのに役立ちます。Weave は W&B Models と連携し、Model Registry に保存されたモデルを評価できるようになります。

モデル評価の主な機能

• Scorers と judges: 正確性、関連性、一貫性などを評価するための、あらかじめ用意されたものとカスタムの評価メトリクス
• Evaluation データセット: 系統的な評価のための、正解ラベル付きの構造化テストセット
• モデルバージョニング: 異なるバージョンのモデルを追跡・比較
• 詳細なトレース: 完全な入出力トレースによるモデル挙動のデバッグ
• コストトラッキング: 評価全体にわたる API コストとトークン使用量の監視

はじめに：W&B Registry のモデルを評価する

W&B Models Registry からモデルをダウンロードし、Weave を使って評価します。

import weave
import wandb
from typing import Any

# Weave を初期化する
weave.init("your-entity/your-project")

# W&B Registry から読み込む ChatModel を定義する
class ChatModel(weave.Model):
    model_name: str
    
    def model_post_init(self, __context):
        # W&B Models Registry からモデルをダウンロードする
        with wandb.init(project="your-project", job_type="model_download") as run:
            artifact = run.use_artifact(self.model_name)
            self.model_path = artifact.download()
            # ここでモデルを初期化する
    
    @weave.op()
    async def predict(self, query: str) -> str:
        # モデルの推論ロジック
        return self.model.generate(query)

# 評価用データセットを作成する
dataset = weave.Dataset(name="eval_dataset", rows=[
    {"input": "What is the capital of France?", "expected": "Paris"},
    {"input": "What is 2+2?", "expected": "4"},
])

# スコアラーを定義する
@weave.op()
def exact_match_scorer(expected: str, output: str) -> dict:
    return {"correct": expected.lower() == output.lower()}

# 評価を実行する
model = ChatModel(model_name="wandb-entity/registry-name/model:version")
evaluation = weave.Evaluation(
    dataset=dataset,
    scorers=[exact_match_scorer]
)
results = await evaluation.evaluate(model)

Weave の評価を W&B Models と連携させる

Models and Weave Integration Demo では、次のような一連のワークフローを確認できます:

1. Registry からモデルを読み込む: W&B Models Registry に保存されているファインチューニング済みモデルをダウンロードする
2. 評価パイプラインを作成する: カスタムスコアラーを使って包括的な評価を構築する
3. 結果を W&B にログする: 評価メトリクスをモデルの run と関連付ける
4. 評価済みモデルにバージョンを付ける: 改良したモデルを Registry に保存し直す

Weave と W&B Models の両方に評価結果をログします:

# W&B トラッキングで評価を実行
with weave.attributes({"wandb-run-id": wandb.run.id}):
    summary, call = await evaluation.evaluate.call(evaluation, model)

# W&B Models にメトリクスを記録
wandb.run.log(summary)
wandb.run.config.update({
    "weave_eval_url": f"https://wandb.ai/{entity}/{project}/r/call/{call.id}"
})

Weave の高度な機能

カスタムスコアラーとジャッジ

ユースケースに合わせて設計された高度な評価メトリクスを作成できます。

@weave.op()
def llm_judge_scorer(expected: str, output: str, judge_model) -> dict:
    prompt = f"Is this answer correct? Expected: {expected}, Got: {output}"
    judgment = await judge_model.predict(prompt)
    return {"judge_score": judgment}

バッチ評価

複数のモデルバージョンや設定を一括で評価します：

models = [
    ChatModel(model_name="model:v1"),
    ChatModel(model_name="model:v2"),
]

for model in models:
    results = await evaluation.evaluate(model)
    print(f"{model.model_name}: {results}")

次のステップ

• Weave 評価チュートリアルを完了する
• Models と Weave のインテグレーションの例

テーブルでモデルを評価する

W&B Tables を使うと、次のことができます。

• モデル予測を比較する: 同じテストセットに対する異なるモデルの性能を、並べて比較表示する
• 予測の変化を追跡する: エポックをまたぐ学習過程やモデルバージョン間で、予測がどのように変化するかをモニタリングする
• エラーを分析する: よく誤分類されるサンプルやエラーパターンを見つけるために、フィルタやクエリを使う
• リッチメディアを可視化する: 画像、音声、テキストなどの各種メディアを、予測結果やメトリクスと並べて表示する

基本例: 評価結果をログとして記録する

import wandb

# runを初期化する
run = wandb.init(project="model-evaluation")

# 評価結果のテーブルを作成する
columns = ["id", "input", "ground_truth", "prediction", "confidence", "correct"]
eval_table = wandb.Table(columns=columns)

# 評価データを追加する
for idx, (input_data, label) in enumerate(test_dataset):
    prediction = model(input_data)
    confidence = prediction.max()
    predicted_class = prediction.argmax()
    
    eval_table.add_data(
        idx,
        wandb.Image(input_data),  # 画像またはその他のメディアをログする
        label,
        predicted_class,
        confidence,
        label == predicted_class
    )

# テーブルをログする
run.log({"evaluation_results": eval_table})

テーブルの高度なワークフロー

複数のモデルを比較する

異なるモデルの評価テーブルを同じキーでログして、直接比較できるようにします。

# モデル A の評価
with wandb.init(project="model-comparison", name="model_a") as run:
    eval_table_a = create_eval_table(model_a, test_data)
    run.log({"test_predictions": eval_table_a})

# モデル B の評価  
with wandb.init(project="model-comparison", name="model_b") as run:
    eval_table_b = create_eval_table(model_b, test_data)
    run.log({"test_predictions": eval_table_b})

予測を経時的に追跡する

異なる学習エポックごとにテーブルをログして、改善の様子を可視化します。

for epoch in range(num_epochs):
    train_model(model, train_data)
    
    # このエポックの予測を評価してログに記録する
    eval_table = wandb.Table(columns=["image", "truth", "prediction"])
    for image, label in test_subset:
        pred = model(image)
        eval_table.add_data(wandb.Image(image), label, pred.argmax())
    
    wandb.log({f"predictions_epoch_{epoch}": eval_table})

W&B UI でのインタラクティブな分析

ログした後は、次のことができます：

1. 結果をフィルター：列ヘッダーをクリックして、予測精度、信頼度のしきい値、特定のクラスで絞り込みます
2. テーブルを比較：複数のテーブルバージョンを選択して、並べて比較できます
3. データをクエリ：クエリバーを使って特定のパターンを検索します（例: "correct" = false AND "confidence" > 0.8）
4. グループ化と集計：予測されたクラスごとにグループ化して、クラスごとの精度メトリクスを確認します

例：拡張テーブルを使ったエラー分析

# 分析列を追加するためのミュータブルテーブルを作成する
eval_table = wandb.Table(
    columns=["id", "image", "label", "prediction"],
    log_mode="MUTABLE"  # 後から列を追加できる
)

# 初期予測
for idx, (img, label) in enumerate(test_data):
    pred = model(img)
    eval_table.add_data(idx, wandb.Image(img), label, pred.argmax())

run.log({"eval_analysis": eval_table})

# エラー分析用の信頼度スコアを追加する
confidences = [model(img).max() for img, _ in test_data]
eval_table.add_column("confidence", confidences)

# エラータイプを追加する
error_types = classify_errors(eval_table.get_column("label"), 
                            eval_table.get_column("prediction"))
eval_table.add_column("error_type", error_types)

run.log({"eval_analysis": eval_table})