Detectando e medindo alucinações
Aprenda técnicas práticas para detectar quando um sistema RAG inventa fatos sem suporte no contexto recuperado e como quantificar a taxa de alucinação como parte da avaliação.
Detectando e medindo alucinações é uma aula grátis de LLM Apps in Production (RAG + Vector DB + Caching) no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de LLM Apps in Production (RAG + Vector DB + Caching), e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de LLM Apps in Production (RAG + Vector DB + Caching) inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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.
Perguntas Frequentes
A aula “Detectando e medindo alucinações” é grátis?
Sim — o texto completo de “Detectando e medindo alucinações” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de LLM Apps in Production (RAG + Vector DB + Caching), atualize para CoddyKit PRO. O curso de LLM Apps in Production (RAG + Vector DB + Caching) inclui 4 aulas no total.
O que vou aprender em “Detectando e medindo alucinações”?
Aprenda técnicas práticas para detectar quando um sistema RAG inventa fatos sem suporte no contexto recuperado e como quantificar a taxa de alucinação como parte da avaliação. Você pratica LLM Apps in Production (RAG + Vector DB + Caching) com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar LLM Apps in Production (RAG + Vector DB + Caching)?
Nenhuma experiência prévia é necessária. LLM Apps in Production (RAG + Vector DB + Caching) no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Detectando e medindo alucinações”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de LLM Apps in Production (RAG + Vector DB + Caching)?
Sim. Cada aula de LLM Apps in Production (RAG + Vector DB + Caching) inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Principais Métricas de Desempenho do RAG
- Desenvolvendo Referências de Avaliação
- Testes A/B e Ciclos de Feedback dos Usuários
- Detectando e medindo alucinações