LLM Apps in Production (RAG + Vector DB + Caching) · درس

اكتشاف الهلوسات وقياسها

تعلّم تقنيات عملية لاكتشاف اختلاق نظام RAG لحقائق لا يدعمها السياق المسترجع، وكيفية قياس معدل الهلوسة كجزء من التقييم.

اكتشاف الهلوسات وقياسها درس مجاني في LLM Apps in Production (RAG + Vector DB + Caching) على CoddyKit. هذا هو الدرس 4 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في LLM Apps in Production (RAG + Vector DB + Caching)، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة LLM Apps in Production (RAG + Vector DB + Caching) 4 دروس في المجموع.

بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.

What Is a RAG Hallucination?

A hallucination is an answer that is fluent and confident but not supported by the retrieved context. In RAG, the cure is grounding: every claim should trace back to a source.

Measuring hallucination rate is essential to trust your system.

Faithfulness vs Correctness

Two different things to measure:

Faithfulness — is the answer supported by the provided context?
Correctness — is the answer factually true in the real world?

A RAG answer can be correct but unfaithful (right by luck) or faithful but wrong (the source was wrong).

Claim Decomposition

To check faithfulness, break the answer into atomic claims, then verify each against the context.

answer = 'Paris is the capital of France and has 5 million people.'
claims = [c.strip() for c in answer.replace(' and ', '. ').split('.') if c.strip()]
for c in claims:
    print('CLAIM:', c)

Context Entailment

For each claim, ask: does the retrieved context entail it? An NLI model or an LLM judge labels each claim as supported, contradicted, or not-mentioned.

Supported = grounded
Not-mentioned = potential hallucination
Contradicted = definite error

LLM-as-Judge for Faithfulness

A common pattern: prompt a strong model with the context, the answer, and ask it to score whether the answer is fully supported. Calibrate the judge against human labels.

Computing Hallucination Rate

Hallucination rate = fraction of claims (or answers) that are unsupported.

labels = ['supported', 'supported', 'not_mentioned', 'contradicted']
bad = sum(1 for x in labels if x != 'supported')
rate = bad / len(labels)
print('Hallucination rate:', round(rate, 2))

Citation Coverage

If your system outputs citations, you can measure citation coverage: the share of sentences that point to a retrieved chunk that actually supports them. Low coverage signals hallucination risk.

Detecting Missing Context

Many hallucinations happen because retrieval failed and the model filled the gap. Track cases where the context lacks the answer but the model still answered confidently instead of saying 'I do not know'.

A Simple Faithfulness Score

Aggregate per-claim labels into a single score per answer.

def faithfulness(labels):
    return sum(1 for x in labels if x == 'supported') / len(labels)

print(faithfulness(['supported', 'supported', 'not_mentioned']))

Reducing Hallucinations

Once measured, reduce hallucinations by:

Improving retrieval recall
Instructing the model to abstain when unsupported
Requiring inline citations
Post-hoc filtering of unsupported claims

Tracking Over Time

Add hallucination rate to your regular eval runs. Watch it on every prompt or model change so a regression is caught before it reaches users.

Quick Check

Test your understanding of faithfulness.

Recap

You learned to detect hallucinations by separating faithfulness from correctness, decomposing answers into claims, checking entailment against context with an LLM judge, and computing a hallucination rate. Track it over time and reduce it with better retrieval, abstention, and citations.

الأسئلة الشائعة

هل درس «اكتشاف الهلوسات وقياسها» مجاني؟

نعم — نص درس «اكتشاف الهلوسات وقياسها» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة LLM Apps in Production (RAG + Vector DB + Caching)، انتقل إلى CoddyKit PRO. تتضمن دورة LLM Apps in Production (RAG + Vector DB + Caching) 4 دروس في المجموع.

ماذا ستتعلم في «اكتشاف الهلوسات وقياسها»؟

تعلّم تقنيات عملية لاكتشاف اختلاق نظام RAG لحقائق لا يدعمها السياق المسترجع، وكيفية قياس معدل الهلوسة كجزء من التقييم. تتمرن على LLM Apps in Production (RAG + Vector DB + Caching) مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ LLM Apps in Production (RAG + Vector DB + Caching)؟

لا تُشترط خبرة سابقة. LLM Apps in Production (RAG + Vector DB + Caching) على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 4.

كم من الوقت يستغرق درس «اكتشاف الهلوسات وقياسها»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس LLM Apps in Production (RAG + Vector DB + Caching) هذا؟

نعم. كل درس في LLM Apps in Production (RAG + Vector DB + Caching) يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى LLM Apps in Production (RAG + Vector DB + Caching)