Évaluation des performances d’un système RAG
Découvrez des métriques et des techniques pour évaluer l’exactitude, la pertinence et la cohérence des réponses de votre application RAG.
Évaluation des performances d’un système RAG est une leçon LangChain / RAG / Vector DBs gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage LangChain / RAG / Vector DBs, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours LangChain / RAG / Vector DBs comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Why Evaluate RAG Systems?
When you build a Retrieval Augmented Generation (RAG) application, it's crucial to know if it's working as intended. Evaluation helps us understand if our system is providing accurate, relevant, and helpful answers.
Without proper evaluation, it's hard to tell if changes to your RAG pipeline (like new embedding models or chunking strategies) are actually making it better or worse.
Key Aspects of RAG Evaluation
Evaluating a RAG system involves looking at different aspects. We generally focus on:
- Retrieval Quality: Are the right documents being found?
- Generation Quality: Is the LLM producing good answers based on those documents?
These two parts are often evaluated separately and then together to get a full picture.
The Importance of Ground Truth
To evaluate effectively, especially for automated metrics, you need a 'ground truth' dataset. This means having:
- A set of user queries.
- The truly relevant documents for each query.
- The ideal, correct answer for each query.
This reference data allows us to compare our RAG system's outputs against what's considered correct.
Retrieval Metrics: Precision & Recall
For the retrieval component, we often use metrics like Precision and Recall.
- Precision: Out of all the documents retrieved, how many were actually relevant? High precision means fewer irrelevant documents.
- Recall: Out of all the truly relevant documents, how many did our system manage to retrieve? High recall means fewer missed relevant documents.
These help us gauge how good our document search is.
Code: Calculating Retrieval Metrics
This Python snippet demonstrates how to calculate precision and recall for a mock retrieval scenario. relevant_docs are the 'ground truth' and retrieved_docs are what our system found.
def evaluate_retrieval(relevant_docs, retrieved_docs):
true_positives = len(relevant_docs.intersection(retrieved_docs))
precision = true_positives / len(retrieved_docs) if len(retrieved_docs) > 0 else 0
recall = true_positives / len(relevant_docs) if len(relevant_docs) > 0 else 0
print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
if __name__ == "__main__":
# Example 1: Perfect retrieval
relevant_set_1 = {"docA", "docB", "docC"}
retrieved_set_1 = {"docA", "docB", "docC"}
print("--- Example 1: Perfect Retrieval ---")
evaluate_retrieval(relevant_set_1, retrieved_set_1)
# Example 2: Some missing, some irrelevant
relevant_set_2 = {"docX", "docY", "docZ"}
retrieved_set_2 = {"docX", "docA", "docY"}
print("\n--- Example 2: Mixed Retrieval ---")
evaluate_retrieval(relevant_set_2, retrieved_set_2)Generation Metrics: Faithfulness
For the generated answer, faithfulness (also called 'factuality') is key. It measures whether the LLM's answer is truly supported by the retrieved documents.
A RAG system should not 'hallucinate' or make up information. If a fact isn't in the retrieved context, the LLM shouldn't include it in its answer.
Generation Metrics: Answer Relevance
Answer relevance assesses if the generated answer directly addresses the user's original query. An answer might be faithful to the retrieved documents but still not relevant if the documents themselves were off-topic.
This metric helps ensure the RAG system stays focused on the user's actual information need.
Human vs. Automated Evaluation
While automated metrics are efficient, human evaluation is often essential for subjective qualities like fluency, tone, and nuanced relevance.
- Automated: Fast, scalable, good for objective metrics (precision, recall, some faithfulness checks).
- Human: Gold standard for subjective quality, crucial for complex queries, but expensive and slow.
A hybrid approach, using both, is often best for comprehensive RAG evaluation.
Tools for RAG Evaluation
Several libraries and frameworks help streamline RAG evaluation:
- LangChain: Provides built-in evaluation modules, including reference-free metrics and integrations with LLM-as-a-judge.
- Ragas: Specifically designed for RAG evaluation, offering metrics like faithfulness, answer relevance, context precision, and context recall.
- TruLens: Offers observability and evaluation for LLM applications, including RAG, with deep insights into chain execution.
These tools automate much of the metric calculation and reporting.
Quick Check: RAG Metrics
Which of the following are key metrics used to evaluate the quality of the generated answer in a RAG system?
Recap: Evaluating RAG Performance
We've learned that evaluating RAG systems is vital for ensuring they deliver accurate and relevant information. Key takeaways include:
- Evaluation covers both retrieval (finding relevant docs) and generation (creating good answers).
- Ground truth data is essential for reliable evaluation.
- Metrics like Precision and Recall measure retrieval quality.
- Faithfulness and Answer Relevance assess the quality of the generated response.
- A combination of automated and human evaluation provides the most comprehensive insights.
- Tools like LangChain, Ragas, and TruLens can assist in setting up robust evaluation pipelines.
Questions Fréquemment Posées
La leçon « Évaluation des performances d’un système RAG » est-elle gratuite ?
Oui — le texte complet de « Évaluation des performances d’un système RAG » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours LangChain / RAG / Vector DBs, passe à CoddyKit PRO. Le cours LangChain / RAG / Vector DBs comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Évaluation des performances d’un système RAG » ?
Découvrez des métriques et des techniques pour évaluer l’exactitude, la pertinence et la cohérence des réponses de votre application RAG. Tu pratiques LangChain / RAG / Vector DBs avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer LangChain / RAG / Vector DBs ?
Aucune expérience préalable n'est requise. LangChain / RAG / Vector DBs sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Évaluation des performances d’un système RAG » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon LangChain / RAG / Vector DBs ?
Oui. Chaque leçon LangChain / RAG / Vector DBs inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Intégration de tous les composants RAG
- Interrogation et génération de réponses
- Évaluation des performances d’un système RAG
- Créer un jeu de tests de référence pour RAG