Якість донавченої моделі: метрики, LLM-as-judge, експерти

Після кожної ітерації fine-tuning постає питання: чи стало краще? Без структурованої системи метрик легко потрапити в пастку — модель може перенавчитися, втратити загальні знання або деградувати на крайових випадках. Ми бачили проекти, де команда робила 15+ ітерацій «на око», поки не вибудувала evaluation pipeline. Наш підхід — ієрархія метрик від швидких автоматичних до дорогої людської оцінки — дозволяє зупинитися в потрібний момент і гарантувати якість.

Чому важлива комплексна оцінка донавченої моделі?

Одна метрика не дає повної картини. BLEU може бути високим, а модель — галюцинувати факти. Perplexity може падати, а корисність відповідей — знижуватися. Тільки комбінація автоматичних метрик, LLM-as-judge та людської оцінки показує реальну якість донавченої нейромережі. Ми використовуємо цей підхід у всіх проектах вже понад 5 років — накопичили портфоліо з 50+ fine-tuning проектів.

Ієрархія метрик оцінки

Рівень 1: Автоматичні метрики

Швидкі, дешеві, працюють без людини. Дають грубу оцінку, але незамінні для швидких ітерацій.

Рівень 2: LLM-as-judge

Сильна модель (GPT-4o, Claude 3.5) оцінює відповіді тестованої моделі. Добре корелює з людською оцінкою при правильному промпті.

Рівень 3: Людська оцінка

Золотий стандарт. Дорого, але необхідно для фінальної валідації та калібрування нижніх рівнів. Зазвичай 200–500 прикладів достатньо.

Порівняння типів метрик:

Як LLM-as-judge доповнює автоматичні метрики?

Автоматичні метрики (BLEU, ROUGE) вимірюють лише поверхневий збіг з референсом. LLM-as-judge оцінює семантику: точність фактів, повноту, логіку. В одному кейсі базова Llama 3.1 8B показала BLEU-4=0.18, а після fine-tuning — 0.39, але LLM-суддя виявив, що модель почала вигадувати юридичні статті. Без судді це б пропустили. LLM-as-judge корелює з людською оцінкою на 85%, що в 1.5 рази вище, ніж у автоматичних метрик. Крім того, LLM-as-judge важливий для оцінки генерації тексту, де автоматичні метрики безсилі.

Практична реалізація LLM-as-judge

from openai import OpenAI

JUDGE_PROMPT = """Ты — строгий эксперт, оценивающий качество ответов AI-ассистента.

Вопрос: {question}

Ответ ассистента: {answer}

Референсный ответ: {reference}

Оцени ответ по критериям (каждый 1–5):
1. Фактическая точность
2. Полнота охвата темы
3. Структурированность
4. Соответствие стилю

Верни JSON: {{"accuracy": X, "completeness": X, "structure": X, "style": X, "overall": X, "reasoning": "..."}}"""

def llm_judge(question: str, answer: str, reference: str, client: OpenAI) -> dict:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": JUDGE_PROMPT.format(question=question, answer=answer, reference=reference)
        }],
        response_format={"type": "json_object"},
        temperature=0.1
    )
    return json.loads(response.choices[0].message.content)

Автоматичні метрики: реалізація в коді

Нижче — приклад обчислення BLEU та ROUGE для пайплайну оцінки. Код можна використовувати як шаблон.

from nltk.translate.bleu_score import corpus_bleu, SmoothingFunction
from rouge_score import rouge_scorer

references = [[ref.split()] for ref in reference_list]
hypotheses = [hyp.split() for hyp in hypothesis_list]

bleu_4 = corpus_bleu(references, hypotheses,
    weights=(0.25, 0.25, 0.25, 0.25),
    smoothing_function=SmoothingFunction().method1)

scorer = rouge_scorer.RougeScorer(['rouge1','rouge2','rougeL'], use_stemmer=True)
rouge_scores = [scorer.score(ref, hyp) for ref, hyp in zip(reference_list, hypothesis_list)]

Perplexity — метрика впевненості моделі

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

def compute_perplexity(model, tokenizer, texts: list[str]) -> float:
    total_loss = 0
    total_tokens = 0
    model.eval()
    with torch.no_grad():
        for text in texts:
            encodings = tokenizer(text, return_tensors="pt").to(model.device)
            outputs = model(**encodings, labels=encodings["input_ids"])
            total_loss += outputs.loss.item() * encodings["input_ids"].shape[1]
            total_tokens += encodings["input_ids"].shape[1]
    avg_loss = total_loss / total_tokens
    return torch.exp(torch.tensor(avg_loss)).item()

Класифікація та вилучення — оцінюємо через F1 і accuracy

from sklearn.metrics import classification_report, f1_score

def evaluate_classification(model_outputs: list, ground_truth: list) -> dict:
    predictions = []
    for output in model_outputs:
        try:
            pred = json.loads(output)["category"]
        except:
            pred = "parse_error"
        predictions.append(pred)
    report = classification_report(ground_truth, predictions, output_dict=True)
    return {
        "macro_f1": report["macro avg"]["f1-score"],
        "weighted_f1": report["weighted avg"]["f1-score"],
        "accuracy": report["accuracy"],
        "per_class": {k: v for k, v in report.items() if isinstance(v, dict) and k not in ["macro avg", "weighted avg"]}
    }

Практичний приклад: комплексна оцінка fine-tuned моделі

Базова модель: Llama 3.1 8B Instruct. Fine-tuning: QLoRA r=16, 2000 прикладів юридичних документів.

Perplexity на MMLU зросла на 11% — помірне катастрофічне забування, але для вузького юридичного use-case це прийнятно. Рішення: додати 10% загальних даних у наступний раунд.

Що входить до нашої роботи з оцінки моделі

• Розробка кастомного evaluation pipeline під вашу задачу (включаючи скрипти, конфіги та документацію)
• Налаштування автоматичних метрик (BLEU, ROUGE, perplexity, F1, accuracy)
• Інтеграція LLM-as-judge з вибором моделі-судді та калібруванням промпту
• Проведення людської оцінки (залучення експертів, збір розмітки)
• Побудова дашборду метрик та моніторингу (MLflow, Weights & Biases)
• Фінальний звіт з рекомендаціями щодо покращення моделі
• Навчання вашої команди роботі з пайплайном

Почніть з evaluation pipeline — зв'яжіться з нами для аудиту вашої моделі. Економія на зайвих ітераціях може досягати 40% бюджету проекту.

Терміни та процес оцінки

1. Аналіз задачі та метрик — 1–2 дні
2. Розробка pipeline та інтеграція — 3–5 днів
3. Автоматична оцінка — кілька годин
4. LLM-as-judge (до 1000 прикладів) — 1–2 дні
5. Людська оцінка — 1 тиждень
6. Звіт та рекомендації — 1–2 дні

Разом на одну ітерацію fine-tuning — 1–2 тижні. При комплексному проекті з кількома раундами — від 3 тижнів.

Моніторинг після деплою

import mlflow

def log_inference_quality(prompt, response, user_feedback):
    with mlflow.start_run(run_name="production-monitoring"):
        mlflow.log_metrics({
            "response_length": len(response.split()),
            "refusal_detected": int("не могу" in response.lower()),
            "user_rating": user_feedback.get("rating", -1),
        })

Моніторинг у продакшені обов'язковий — ми гарантуємо, що модель не деградує з часом. Сертифіковані інженери нашої команди супроводжують проект на всьому життєвому циклі. Наша команда має 5+ років досвіду в fine-tuning і виконала понад 50 проектів.

Якщо ви хочете впровадити системну оцінку, зв'яжіться з нами. Ми допоможемо вибудувати пайплайн і зекономити на зайвих ітераціях. Замовте консультацію: оцінимо ваш проект за 2 дні.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.