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

Détecter et mesurer les hallucinations

Détecter et mesurer les hallucinations est une leçon LLM Apps in Production (RAG + Vector DB + Caching) gratuite sur CoddyKit. Ceci est la leçon 4 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 LLM Apps in Production (RAG + Vector DB + Caching), et ta progression se synchronise sur le web et l'application CoddyKit. Le cours LLM Apps in Production (RAG + Vector DB + Caching) comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

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.

Questions Fréquemment Posées

La leçon « Détecter et mesurer les hallucinations » est-elle gratuite ?

Oui — le texte complet de « Détecter et mesurer les hallucinations » 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 LLM Apps in Production (RAG + Vector DB + Caching), passe à CoddyKit PRO. Le cours LLM Apps in Production (RAG + Vector DB + Caching) comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Détecter et mesurer les hallucinations » ?

Apprenez des techniques pratiques pour détecter lorsqu’un système RAG invente des faits qui ne sont pas étayés par le contexte récupéré, et pour quantifier le taux d’hallucination dans le cadre de l’… Tu pratiques LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching) ?

Aucune expérience préalable n'est requise. LLM Apps in Production (RAG + Vector DB + Caching) 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 4 sur 4.

Combien de temps prend la leçon « Détecter et mesurer les hallucinations » ?

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 LLM Apps in Production (RAG + Vector DB + Caching) ?

Oui. Chaque leçon LLM Apps in Production (RAG + Vector DB + Caching) 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

Indicateurs clés des performances du RAG
Élaborer des référentiels d’évaluation
Tests A/B et boucles de rétroaction des utilisateurs
Détecter et mesurer les hallucinations

← Retour à LLM Apps in Production (RAG + Vector DB + Caching)