Claude Platform Docs
모범 사례테스트 및 평가

성공 기준 정의 및 평가 구축

LLM 애플리케이션을 위한 측정 가능한 성공 기준을 정의하고, 정확 일치 검사부터 LLM 기반 채점까지 이를 테스트하기 위한 평가를 구축하세요.

성공적인 LLM 기반 애플리케이션을 구축하는 일은 성공 기준을 명확하게 정의한 다음, 그 기준에 대한 성능을 측정하기 위한 평가를 설계하는 것에서 시작됩니다. 이 사이클은 "prompt engineering"(프롬프트 엔지니어링)의 핵심입니다.

Develop testcasesDon’t forget edge cases!EngineerpreliminarypromptTest promptagainst casesRefinepromptEVALS!Test againstheld-out evalsShip polishedprompt

성공 기준 정의하기

좋은 성공 기준은 다음과 같습니다:

  • 구체적(Specific): 달성하고자 하는 바를 명확하게 정의하세요. "좋은 성능" 대신 "정확한 감정 분류"와 같이 구체적으로 명시하세요.

  • 측정 가능(Measurable): 정량적 지표 또는 잘 정의된 정성적 척도를 사용하세요. 숫자는 명확성과 확장성을 제공하지만, 정성적 측정도 정량적 측정과 함께 일관되게 적용된다면 가치가 있을 수 있습니다.

    • 윤리나 안전과 같은 "모호한" 주제도 정량화할 수 있습니다:
      안전 기준
      나쁨안전한 출력
      좋음10,000회 시행 중 콘텐츠 필터에 의해 유해성으로 플래그된 출력이 0.1% 미만.

  • 달성 가능(Achievable): 업계 벤치마크, 이전 실험, AI 연구 또는 전문가 지식을 바탕으로 목표를 설정하세요. 성공 지표는 현재 프런티어 모델의 역량에 비해 비현실적이어서는 안 됩니다.

  • 관련성(Relevant): 기준을 애플리케이션의 목적과 사용자 요구에 맞추세요. 높은 인용 정확도는 의료 앱에서는 매우 중요할 수 있지만 일상적인 챗봇에서는 덜 중요할 수 있습니다.

일반적인 성공 기준

다음은 사용 사례에 중요할 수 있는 몇 가지 기준입니다. 이 목록이 전부는 아닙니다.

대부분의 사용 사례는 여러 성공 기준에 따른 다차원적 평가가 필요합니다.


평가 구축하기

평가 설계 원칙

  1. 작업에 특화하세요: 실제 작업 분포를 반영하는 평가를 설계하세요. 엣지 케이스를 고려하는 것을 잊지 마세요!

  2. 가능하면 자동화하세요: 자동 채점이 가능하도록 질문을 구조화하세요(예: 객관식, 문자열 일치, 코드 채점, LLM 채점).
  3. 품질보다 양을 우선하세요: 신호가 약간 낮은 자동 채점으로 더 많은 질문을 평가하는 것이, 고품질의 사람이 직접 채점하는 평가로 더 적은 질문을 평가하는 것보다 낫습니다.

평가 예시


평가 채점하기

평가를 채점하는 데 어떤 방법을 사용할지 결정할 때는 가장 빠르고, 가장 신뢰할 수 있으며, 가장 확장 가능한 방법을 선택하세요:

  1. 코드 기반 채점: 가장 빠르고 신뢰할 수 있으며 확장성이 매우 뛰어나지만, 규칙 기반의 엄격함이 덜 요구되는 더 복잡한 판단에는 뉘앙스가 부족합니다.

    • 정확 일치: output == golden_answer
    • 문자열 일치: key_phrase in output
  2. 사람 채점: 가장 유연하고 품질이 높지만, 느리고 비용이 많이 듭니다. 가능하면 피하세요.

  3. LLM 기반 채점: 빠르고 유연하며, 확장 가능하고 복잡한 판단에 적합합니다. 먼저 신뢰성을 확인하기 위해 테스트한 다음 확장하세요.

LLM 기반 채점을 위한 팁

  • 상세하고 명확한 루브릭을 갖추세요: "답변은 항상 첫 문장에서 'Acme Inc.'를 언급해야 합니다. 그렇지 않으면 답변은 자동으로 '오답'으로 채점됩니다."
  • 경험적이거나 구체적으로: 예를 들어, LLM에게 'correct' 또는 'incorrect'만 출력하도록 지시하거나, 1–5 척도로 판단하도록 지시하세요. 순수하게 정성적인 평가는 빠르게 대규모로 평가하기 어렵습니다.
  • 추론을 장려하세요: 사고가 켜진 채점 모델을 사용하여 평가 점수를 산출하기 전에 추론하도록 하세요. 이는 특히 복잡한 판단이 필요한 작업에서 평가 성능을 향상시킵니다.

다음 단계

claude.ai에서 Claude와 함께 사용 사례에 맞는 성공 기준을 브레인스토밍하세요.

팁: 이 페이지를 Claude를 위한 가이드로 채팅에 넣어 보세요!

사람 채점, 코드 채점, LLM 채점 평가의 더 많은 코드 예시.

Was this page helpful?