W&B Weave 및 W&B Tables로 모델 평가하기

W&B Weave 및 W&B Tables를 사용하여 머신 러닝 모델을 평가하는 방법을 알아봅니다.

Weave로 모델 평가하기

W&B Weave는 LLM 및 생성형 AI 애플리케이션 평가를 위해 특화된 툴킷입니다. 이 툴킷은 스코어러, 평가자, 세부 트레이싱 등을 포함한 포괄적인 평가 기능을 제공하여 모델 성능을 이해하고 개선할 수 있도록 도와줍니다. Weave는 W&B Models와 통합되어, Model Registry에 저장된 모델을 평가할 수 있습니다.

모델 평가의 주요 기능

• Scorers와 judges: 정확도, 관련성, 일관성 등 다양한 지표를 위한 기본 제공 및 사용자 정의 평가 메트릭
• 평가 데이터셋: 체계적인 평가를 위한 정답 레이블이 있는 구조화된 테스트 세트
• 모델 버전 관리: 서로 다른 모델 버전의 추적 및 비교
• 상세 트레이싱: 전체 입력/출력 트레이스를 통한 모델 동작 분석
• 비용 추적: 평가 전반에 걸친 API 비용 및 토큰 사용량 모니터링

시작하기: W&B Models Registry에서 모델 평가하기

W&B Models Registry에서 모델을 다운로드한 다음 Weave로 평가합니다.

import weave
import wandb
from typing import Any

# Weave 초기화
weave.init("your-entity/your-project")

# W&B Registry에서 로드하는 ChatModel 정의
class ChatModel(weave.Model):
    model_name: str
    
    def model_post_init(self, __context):
        # W&B Models Registry에서 모델 다운로드
        with wandb.init(project="your-project", job_type="model_download") as run:
            artifact = run.use_artifact(self.model_name)
            self.model_path = artifact.download()
            # 여기서 모델을 초기화하세요
    
    @weave.op()
    async def predict(self, query: str) -> str:
        # 모델 추론 로직
        return self.model.generate(query)

# 평가 데이터셋 생성
dataset = weave.Dataset(name="eval_dataset", rows=[
    {"input": "What is the capital of France?", "expected": "Paris"},
    {"input": "What is 2+2?", "expected": "4"},
])

# 스코어러 정의
@weave.op()
def exact_match_scorer(expected: str, output: str) -> dict:
    return {"correct": expected.lower() == output.lower()}

# 평가 실행
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 평가를 W&B Models와 통합하기

Models and Weave Integration Demo는 다음과 같은 전체 워크플로우를 보여줍니다:

1. Registry에서 모델 로드: W&B Models Registry에 저장된 파인튜닝된 모델을 다운로드합니다.
2. 평가 파이프라인 생성: 커스텀 스코어러로 포괄적인 평가를 구성합니다.
3. 결과를 W&B로 다시 로깅: 평가 메트릭을 모델 run과 연결합니다.
4. 평가된 모델 버전 관리: 향상된 모델을 Registry에 다시 저장합니다.

평가 결과를 Weave와 W&B Models 모두에 로깅합니다:

# W&B 추적으로 평가 실행
with weave.attributes({"wandb-run-id": wandb.run.id}):
    summary, call = await evaluation.evaluate.call(evaluation, model)

# W&B Models에 메트릭 기록
wandb.run.log(summary)
wandb.run.config.update({
    "weave_eval_url": f"https://wandb.ai/{entity}/{project}/r/call/{call.id}"
})

Weave 고급 기능

사용자 정의 스코어러와 저지

사용 사례에 맞춰 최적화된 정교한 평가 메트릭을 정의하세요:

@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}

배치 평가

여러 모델 버전 또는 설정을 한꺼번에 평가합니다:

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}")

다음 단계

• Weave 평가 튜토리얼 마치기
• Models와 Weave 인테그레이션 예제

테이블로 모델 평가하기

W&B Tables를 사용하면 다음 작업을 수행할 수 있습니다:

• 모델 예측 비교: 서로 다른 모델이 동일한 테스트 세트에서 어떻게 동작하는지 나란히 비교해 볼 수 있습니다
• 예측 변화 추적: 에포크별 또는 모델 버전별로 예측이 어떻게 변화하는지 모니터링합니다
• 에러 분석: 자주 잘못 분류되는 예시와 에러 패턴을 필터링하고 쿼리하여 찾아냅니다
• 리치 미디어 시각화: 이미지, 오디오, 텍스트 등 다양한 미디어 타입을 예측값과 메트릭과 함께 표시합니다

기본 예제: 평가 결과 로깅

import wandb

# run 초기화
run = wandb.init(project="model-evaluation")

# 평가 결과가 담긴 테이블 생성
columns = ["id", "input", "ground_truth", "prediction", "confidence", "correct"]
eval_table = wandb.Table(columns=columns)

# 평가 데이터 추가
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),  # 이미지 또는 기타 미디어 로깅
        label,
        predicted_class,
        confidence,
        label == predicted_class
    )

# 테이블 로깅
run.log({"evaluation_results": eval_table})

고급 테이블 워크플로

여러 모델 비교

서로 다른 모델의 평가 테이블을 동일한 키로 로깅하여 직접 비교합니다:

# 모델 A 평가
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})

# 모델 B 평가  
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})

시간 경과에 따른 예측 추적

성능 향상을 시각화할 수 있도록 서로 다른 트레이닝 에포크마다 테이블을 로깅하세요:

for epoch in range(num_epochs):
    train_model(model, train_data)
    
    # 이 에포크의 예측값을 평가하고 기록합니다
    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 UI에서의 대화형 분석

로그를 기록하면 다음을 수행할 수 있습니다:

1. 결과 필터링: 열 헤더를 클릭해 예측 정확도, 신뢰도 임계값, 특정 클래스 등으로 필터링합니다
2. 테이블 비교: 여러 테이블 버전을 선택해 나란히 비교합니다
3. 데이터 쿼리: 쿼리 바를 사용해 특정 패턴을 찾습니다(예: "correct" = false AND "confidence" > 0.8)
4. 그룹 및 집계: 예측된 클래스로 그룹화하여 클래스별 정확도 메트릭을 확인합니다

예제: 풍부한 정보가 담긴 테이블을 활용한 오류 분석

# 분석 열을 추가하기 위한 가변 테이블 생성
eval_table = wandb.Table(
    columns=["id", "image", "label", "prediction"],
    log_mode="MUTABLE"  # 나중에 열 추가 허용
)

# 초기 예측
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})

# 오류 분석을 위한 신뢰도 점수 추가
confidences = [model(img).max() for img, _ in test_data]
eval_table.add_column("confidence", confidences)

# 오류 유형 추가
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})