Llamaindex

LlamaIndex

Weave는 LlamaIndex Python library를 통해 이루어진 모든 호출의 추적 및 로깅을 단순화하도록 설계되었습니다.

LLM으로 작업할 때 디버깅은 불가피합니다. 모델 호출이 실패하거나, 출력 형식이 잘못되거나, 중첩된 모델 호출이 혼란을 야기하는 경우 문제를 정확히 찾아내는 것이 어려울 수 있습니다. LlamaIndex 애플리케이션은 종종 여러 단계와 LLM 호출 호출로 구성되어 있어 체인과 에이전트의 내부 작동 방식을 이해하는 것이 중요합니다.

Weave는 LlamaIndex 애플리케이션에 대한 추적을 자동으로 캡처하여 이 프로세스를 단순화합니다. 이를 통해 애플리케이션의 성능을 모니터링하고 분석할 수 있어 LLM 워크플로우를 디버깅하고 최적화하기가 더 쉬워집니다. Weave는 또한 평가 워크플로우에도 도움이 됩니다.

시작하기

시작하려면 스크립트 시작 부분에서 간단히 weave.init()를 호출하세요. weave.init()의 인수는 추적을 구성하는 데 도움이 되는 프로젝트 이름입니다.

import weave
from llama_index.core.chat_engine import SimpleChatEngine

# Initialize Weave with your project name
# highlight-next-line
weave.init("llamaindex_demo")

chat_engine = SimpleChatEngine.from_defaults()
response = chat_engine.chat(
    "Say something profound and romantic about fourth of July"
)
print(response)

위의 예에서는 내부적으로 OpenAI 호출을 수행하는 간단한 LlamaIndex 채팅 엔진을 만들고 있습니다. 아래 추적을 확인하세요:

추적

LlamaIndex는 데이터를 LLM과 쉽게 연결할 수 있는 것으로 알려져 있습니다. 간단한 RAG 애플리케이션에는 임베딩 단계, 검색 단계 및 응답 합성 단계가 필요합니다. 복잡성이 증가함에 따라 개발 및 프로덕션 중에 개별 단계의 추적을 중앙 데이터베이스에 저장하는 것이 중요해집니다.

이러한 추적은 애플리케이션을 디버깅하고 개선하는 데 필수적입니다. Weave는 프롬프트 템플릿, LLM 호출, 도구 및 에이전트 단계를 포함하여 LlamaIndex 라이브러리를 통해 이루어진 모든 호출을 자동으로 추적합니다. Weave 웹 인터페이스에서 추적을 볼 수 있습니다.

다음은 LlamaIndex의 Starter Tutorial (OpenAI)에서 가져온 간단한 RAG 파이프라인의 예입니다:

import weave
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

# Initialize Weave with your project name
# highlight-next-line
weave.init("llamaindex_demo")

# Assuming you have a `.txt` file in the `data` directory
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)

query_engine = index.as_query_engine()
response = query_engine.query("What did the author do growing up?")
print(response)

추적 타임라인은 “이벤트”뿐만 아니라 실행 시간, 비용 및 해당되는 경우 토큰 수도 캡처합니다. 각 단계의 입력과 출력을 보려면 추적을 자세히 살펴보세요.

원클릭 관찰 가능성 🔭

LlamaIndex는 one-click observability 🔭를 제공하여 프로덕션 환경에서 원칙적인 LLM 애플리케이션을 구축할 수 있도록 합니다.

우리의 통합은 LlamaIndex의 이 기능을 활용하고 자동으로 WeaveCallbackHandler()를 llama_index.core.global_handler로 설정합니다. 따라서 LlamaIndex와 Weave 사용자로서 필요한 것은 Weave 실행을 초기화하는 것뿐입니다 - weave.init(<name-of-project>)

더 쉬운 실험을 위한 Model 만들기

프롬프트, 모델 구성 및 추론 매개변수와 같은 여러 구성 요소가 있는 다양한 사용 사례에 대한 애플리케이션에서 LLM을 구성하고 평가하는 것은 어렵습니다. weave.Model를 사용하면 시스템 프롬프트나 사용하는 모델과 같은 실험 세부 정보를 캡처하고 구성하여 다양한 반복을 더 쉽게 비교할 수 있습니다.

다음 예제는 WeaveModel에서 LlamaIndex 쿼리 엔진을 구축하는 방법을 보여주며, weave/data folder:

import weave

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
from llama_index.llms.openai import OpenAI
from llama_index.core import PromptTemplate


PROMPT_TEMPLATE = """
You are given with relevant information about Paul Graham. Answer the user query only based on the information provided. Don't make up stuff.

User Query: {query_str}
Context: {context_str}
Answer:
"""

# highlight-next-line
class SimpleRAGPipeline(weave.Model):
    chat_llm: str = "gpt-4"
    temperature: float = 0.1
    similarity_top_k: int = 2
    chunk_size: int = 256
    chunk_overlap: int = 20
    prompt_template: str = PROMPT_TEMPLATE

    def get_llm(self):
        return OpenAI(temperature=self.temperature, model=self.chat_llm)

    def get_template(self):
        return PromptTemplate(self.prompt_template)

    def load_documents_and_chunk(self, data):
        documents = SimpleDirectoryReader(data).load_data()
        splitter = SentenceSplitter(
            chunk_size=self.chunk_size,
            chunk_overlap=self.chunk_overlap,
        )
        nodes = splitter.get_nodes_from_documents(documents)
        return nodes

    def get_query_engine(self, data):
        nodes = self.load_documents_and_chunk(data)
        index = VectorStoreIndex(nodes)

        llm = self.get_llm()
        prompt_template = self.get_template()

        return index.as_query_engine(
            similarity_top_k=self.similarity_top_k,
            llm=llm,
            text_qa_template=prompt_template,
        )

# highlight-next-line
    @weave.op()
    def predict(self, query: str):
        query_engine = self.get_query_engine(
            # This data can be found in the weave repo under data/paul_graham
            "data/paul_graham",
        )
        response = query_engine.query(query)
        return {"response": response.response}

# highlight-next-line
weave.init("test-llamaindex-weave")

rag_pipeline = SimpleRAGPipeline()
response = rag_pipeline.predict("What did the author do growing up?")
print(response)

에서 찾을 수 있는 데이터를 사용합니다.SimpleRAGPipeline에서 상속된 이 weave.Model 클래스는 이 RAG 파이프라인에 대한 중요한 매개변수를 구성합니다. query 메서드를 weave.op() 추적을 가능하게 합니다.

Evaluation으로 평가하기 weave.Evaluation

Evaluations는 애플리케이션의 성능을 측정하는 데 도움이 됩니다. weave.Evaluation 클래스를 사용하면 모델이 특정 작업이나 데이터셋에서 얼마나 잘 수행하는지 캡처할 수 있어, 다양한 모델과 애플리케이션의 반복 버전을 비교하기 쉽게 만들어 줍니다. 다음 예제는 우리가 생성한 모델을 평가하는 방법을 보여줍니다:

import asyncio
from llama_index.core.evaluation import CorrectnessEvaluator

eval_examples = [
    {
        "id": "0",
        "query": "What programming language did Paul Graham learn to teach himself AI when he was in college?",
        "ground_truth": "Paul Graham learned Lisp to teach himself AI when he was in college.",
    },
    {
        "id": "1",
        "query": "What was the name of the startup Paul Graham co-founded that was eventually acquired by Yahoo?",
        "ground_truth": "The startup Paul Graham co-founded that was eventually acquired by Yahoo was called Viaweb.",
    },
    {
        "id": "2",
        "query": "What is the capital city of France?",
        "ground_truth": "I cannot answer this question because no information was provided in the text.",
    },
]

llm_judge = OpenAI(model="gpt-4", temperature=0.0)
evaluator = CorrectnessEvaluator(llm=llm_judge)

# highlight-next-line
@weave.op()
def correctness_evaluator(query: str, ground_truth: str, output: dict):
    result = evaluator.evaluate(
        query=query, reference=ground_truth, response=output["response"]
    )
    return {"correctness": float(result.score)}

# highlight-next-line
evaluation = weave.Evaluation(dataset=eval_examples, scorers=[correctness_evaluator])

rag_pipeline = SimpleRAGPipeline()

# highlight-next-line
asyncio.run(evaluation.evaluate(rag_pipeline))

이 평가는 앞 섹션의 예제를 기반으로 합니다. weave.Evaluation을 사용한 평가는 평가 데이터셋, 점수 매기기 함수 및 weave.Model가 필요합니다. 세 가지 핵심 구성 요소에 대한 몇 가지 미묘한 차이점은 다음과 같습니다:

• 평가 샘플 딕셔너리의 키가 점수 매기기 함수의 인수 및 weave.Model의 predict 메서드와 일치하는지 확인하세요.
• weave.Model에는 predict 또는 infer 또는 forward 이름의 메서드가 있어야 합니다. 이 메서드를 weave.op()로 장식하여 추적합니다.
• 점수 매기기 함수는 weave.op()로 장식되어야 하며 output를 명명된 인수로 가져야 합니다.

Weave를 LlamaIndex와 통합함으로써 LLM 애플리케이션의 포괄적인 로깅과 모니터링을 보장하여 평가를 통한 디버깅과 성능 최적화를 더 쉽게 할 수 있습니다.