Resurssit · 09

RAG-laatu: arvioi tietoavustajaa todisteiden avulla

Mittaa korpusta, hakua, viittauksia, vastauksia, pidättäytymistä ja ajautumista erikseen, jotta tiedät, mikä todella tarvitsee korjauksia.

Päivitetty · 8 min

Kuvitteellinen tyhjä arkisto: kuusi tyhjien asiakirjojen lokeroa, viininpunainen kansio ja messinkivalaisin Tekoälyllä luotu toimituksellinen kuvitus

Mitä tämä opas auttaa saavuttamaan

  • Tiedä, johtuuko virhe korpuksesta, hausta vai mallista
  • Jäljitä jokainen viittaus
  • Palkitse asianmukainen pidättäytyminen
  • Havaitse ajautuminen muutoksen jälkeen

Pikatarkistus

  • Onko viitelähde auktorisoitu ja ajantasainen?
  • Onko oikea kohta lähellä yläosaa?
  • Onko jokainen ratkaiseva väite perusteltu?
  • Voiko avustaja sanoa, ettei tiedä?
  • Eskaloidaanko arkaluonteiset tapaukset?

Vaiheittainen menetelmä

  1. 1

    Määrittele hyödylliset tehtävät

    Kerää todelliset kysymykset, niiden muunnelmat ja odotettu liiketoimintatulos. Lisää epäselvyyksiä, lähderistiriitoja, vanhentuneita asiakirjoja ja laajuuden ulkopuolisia pyyntöjä.

    Tuotos: tapausten ja riskien taksonomia.

  2. 2

    Puhdista korpus

    Määritä omistaja, oikeudet, voimassaolopäivämäärä ja tila jokaiselle lähteelle. Poista kaksoiskappaleet, orpofragmentit ja tuntemattoman auktoriteetin asiakirjat.

    Tuotos: korpusrekisteri.

  3. 3

    Arvioi hakua

    Mittaa, löytyykö tarvittavat kohdat ja luokitellaanko ne ennen lopullisen sanamuodon arviointia. Tarkasta kyselyt, joista ei ole näyttöä.

    Tuotos: kattavuus ja relevanssimittarit.

  4. 4

    Arvioi vastauksia ja viittauksia

    Tarkista tekstikatkelmien uskollisuus, täydellisyys, rajoitukset, viittauksen ja väitteen välinen suhde ja kyky merkitä ristiriitaisuuksia.

    Tuotos: uskollisuus- ja hyödyllisyyskriteerit.

  5. 5

    Testaa kieltäytyminen ja hyökkäykset

    Lisää epäsuora injektio, kielletyt tietopyynnöt, haitalliset lähteet, väärät prioriteettiasiakirjat ja peruuttamattomat toimenpiteet. Määrittele ihmisen eskalointi.

    Tuotos: tietoturvatulokset ja suojakaiteet.

  6. 6

    Seuraa muutoksia

    Versioi korpus, indeksi, asetukset, malli ja ohjeet. Toista vakaa joukko jokaisen muutoksen yhteydessä ja analysoi todellinen palaute säilyttämättä tarpeetonta tietoa.

    Tuotos: drift-kojelauta ja tarkistusmenettely.

Ymmärrä, laske ja päätä

Tekoälyvastaukset: erottele laatu, kattavuus ja pidättäytyminen

Laske testatut kysymykset, tuotetut vastaukset ja hyväksytyt vastaukset erikseen. Tämä CIE:n opetusmalli ei ole NIST-pistemäärä eikä määritä yleistä hyväksymisrajaa.

Käytä tässä vain kysymyksiä, joihin odotettiin vastausta. Määrittele hyväksyminen etukäteen: oikea vastaus, väitettä tukeva lähdekohta, sallittu pääsy ja riittävän ajantasainen lähde. Arvioi odotettu vastaamatta jättäminen, ristiriidat ja vakavat virheet erikseen.

Mittarit ja todisteet

MittariTulkintaTarvittava todiste
Testatut kysymykset Joukko, johon odotetaan vastausta Kysymykset, kriteerit ja lukitut versiot
Tuotetut vastaukset Kysymykset, joihin vastattiin Säilytetyt vastaukset ja pidättäytymiset
Hyväksytyt vastaukset Kriteerin täyttävät vastaukset Arvio ja tukeva lähdekohta

Kuvitteellinen esimerkki

Kuvitteellinen esimerkki: 100 kysymystä, 80 vastausta ja 72 hyväksyttyä. Vastausten laatu: 90 %; kattavuus: 80 %; onnistuminen koko joukossa: 72 %. Pelkkä 90 % peittää 20 vastaamatonta kysymystä ja 8 hyväksymätöntä vastausta.

Kuvitteellisen esimerkin jakauma
  • 72 / 100 · Hyväksytyt
  • 8 / 100 · Hyväksymättömät
  • 20 / 100 · Vastaamattomat

100 = 72 + 8 + 20. Vastaamattomat kysymykset pysyvät näkyvissä; kyse ei ole tämän sivuston mittauksista.

Laskentasääntö

Laatu = hyväksytyt / tuotetut. Kattavuus = tuotetut / testatut. Onnistuminen = hyväksytyt / testatut. Nollanimittäjällä osuutta ei voi laskea.

Kuvitteellinen esimerkki

Havainnollistava tilanne

Sisäinen avustaja vastaa toimenpiteisiin, joista osa on vanhentunut. Testisarja sisältää rutiininomaisia, monitulkintaisia ​​ja vastaamattomia kysymyksiä; jokainen viittaus tarkistetaan dokumentin versiota vasten.

Päätös ja odotettu näyttö

Julkaisu odottaa, kunnes vanhentuneet lähteet on suljettu pois, tukemattomat vastaukset on hylätty ja korpuksen omistaja on tunnistettu.

Johdon indikaattorit

IndikaattoriMitä se mittaaEnsimmäinen toimenpide
Haun kattavuusKysymykset, joille löydetään tarvittavat kohdatKorpuksen, paloittelun tai kyselyn korjaaminen ennen mallia
UskollisuusViitattujen lähteiden aidosti tukemat väitteetTukemattomien vastausten estäminen tai uudelleenkirjoittaminen
Hyödyllinen pidättäytyminen äänestämästäTapaukset, joissa ei ole todisteita, hylätty oikein tai eskaloituLuottamuskynnysten hienosäätö
RegressioLaatuero saman joukon versioiden välilläVastuullisen muutoksen tunnistaminen

Yleisiä virheitä

  • Pelkän kirjoitussujuvuuden mittaaminen
  • Haun epäonnistumisen ja hallusinaatioiden sekoittaminen
  • Liian helpon arviointijoukon käyttö
  • Useiden komponenttien muuttaminen ilman vertailua

Usein kysytyt kysymykset

Kuinka monta kysymystä tarvitaan?

Aloita edustavalla, versioidulla joukolla, joka kattaa tärkeät riskit. Monimuotoisuus ja laatu ovat tärkeämpiä kuin keinotekoinen määrä.

Riittääkö yksi automatisoitu mittari?

Ei. Se nopeuttaa triage-luokittelua, mutta arkaluonteiset, epäselvät ja eri alojen tapaukset vaativat selkeät kriteerit ja ihmisen tekemän tarkastuksen.

Pitäisikö jokainen keskustelu säilyttää?

Ei. Säilytä vain välttämättömät jäljet, joilla on määritelty tarkoitus, käyttöoikeus ja kesto. Parannusten vuoksi suosi anonymisoituja tapauksia.

RAG: käyttöoikeudet, viitteet ja välimuistit

Tämän kieliversion tarkemmat lähdekuvaukset ovat englanniksi.

Evaluate an answer alongside its document rights

A relevant citation can support an accurate answer while revealing a forbidden document. RAG evaluation should separate faithfulness, freshness and authorisation of passages actually supplied to the model.

  • Annotate permitted documents for each test identity.
  • Remove a group and replay an existing conversation and citation.
  • Track incorrect answers, missing evidence and out-of-scope exposure separately.

Explore the RAG access matrix and replay cases →

References consulted on · OWASP · LLM08:2025 Vector and Embedding Weaknesses OWASP · API1:2023 Broken Object Level Authorization

Tekoäly: JSON-tuloksen tarkistus

Tämän kieliversion tarkemmat lähdekuvaukset ovat englanniksi.

A retrieved reference does not prove the extracted value

A RAG system can find the right document and return schema-valid JSON that misstates a field. Separate retrieval, the output contract and passage reconciliation to locate what needs correction.

  • Keep an independent reference for decisive fields.
  • Test missing values, contradictions and unavailable documents.
  • Retain unexecuted checks as such instead of counting them as passes.

Compare the 14 outputs and their reasons →

Sources reviewed on · IETF · RFC 8259 · JSON Schema · Object reference · JSON Schema · Draft 2020-12 validation · Python 3.12 · json decoder · python-jsonschema · Schema validation · OWASP · LLM05:2025 Improper Output Handling

RAG: osuvuus ja järjestys

Tämän kieliversion tarkemmat lähdekuvaukset ovat englanniksi.

A RAG system can retrieve useful documents and still produce an incorrect answer. Retrieval evaluation therefore needs its own questions, relevance judgments and defined reading depth. This dossier explains four ranking measures without confusing them with answer faithfulness, access permissions or guaranteed business outcomes.

Documentary references: Stanford CS276’s evaluation material from the 2019 archive and NIST TREC’s reciprocal-rank definition. The CIE workshop uses binary judgments and one query at a time. RR@k here is truncated at k; MRR is a mean RR across multiple queries and is not computed by this workshop.

Stanford CS276 · Retrieval evaluation · 2019 course archive · PDF pp. 3, 5–6 · consulted 2026-10-23

Four measures, four different questions

Four measures, four different questions
MeasureWorkshop calculationUseful readingCondition or limitation
Precision@kRelevant results in the first k / kMeasures the useful proportion in the inspected window.Unavailable if any judgment is missing in the first k.
Recall@kRelevant results in the first k / RR is the number of relevant records in the entire small judged corpus.If R is unknown, publish a value only when it is defined and identical in every possible case.
RR@k1 / rank of the first relevant result within kEquals 0 when no relevant record appears in that fully judged window.An unjudged record before the first relevant result makes that rank uncertain.
nDCG@kDCG@k / IDCG@kCompares ranking gain with the ideal order at the same k.Unavailable if the value changes across possible cases or any case has a zero ideal.

Explicit convention: judgment rᵢ is 0 or 1; DCG@k = Σᵢ₌₁ᵏ rᵢ / log₂(i + 1). With binary relevance, gain 2ʳⁱ − 1 also equals rᵢ. IDCG@k puts min(R, k) relevant records first using the same discount. nDCG@k = DCG@k / IDCG@k when that ideal is defined and nonzero. Keep gain, discount, depth and conventions with any published score.

NIST TREC · Reciprocal rank definition · Repository snapshot 35cf096ba6d5ae08ca4803c056b31ed61a56a6d4 · consulted 2026-10-23

A fictional six-record corpus with declared judgments

Titles and judgments below are created for this exercise. They are neither real search results nor automatic title-based judgments. 1 means relevant, 0 nonrelevant and ? unjudged. Columns Q1–Q5 correspond to the needs displayed in the workshop.

  • Q1 · Prepare a restoration test
  • Q2 · Authorise a document read
  • Q3 · Check a quantum sensor
  • Q4 · Restoration test: C judgment missing
  • Q5 · Restoration: B unjudged, other records off-topic
A fictional six-record corpus with declared judgments
Fictional recordQ1Q2Q3Q4Q5
A · Restoration procedure10011
B · Recovery budget1001?
C · Restoration test log100?0
D · Account and permission guide01000
E · Archiving policy00000
F · Publication schedule00000

Asiakirjojen järjestyspaja

Choose a need and enter an ordered list of A–F identifiers separated by commas. Change k to inspect only the first k results. The list may omit documents, but each identifier must be unique and k cannot exceed its length. Calculation stays local without collection, import, transmission, storage or export.

This reader queries no search engine, private corpus or AI model. It measures neither answer truth, correct citation nor permission security. Scores concern declared judgments in this small fictional universe. Do not present an exercise value as a benchmark of your system or a universal deployment threshold.

Unjudged and nonrelevant are different states

Unjudged and nonrelevant are different states
SituationCIE educational convention
Missing judgment within kPrecision may vary. Reciprocal rank remains known if the first relevant record is identified before any unjudged record.
Missing judgment elsewhereR becomes a range of possibilities. Do not assume recall and nDCG are always unknown: a value may remain constant, for example when the order is ideal in every case.
No relevant record in a fully judged corpusPrecision@k and RR@k are 0. The reader shows Recall@k and nDCG@k as unavailable for this zero-denominator case.
CIE publication ruleExplore every binary assignment of missing judgments, at most 64 for six records. Publish a measure only if it is defined and identical in every assignment. These are possibilities, with no probabilities assigned and no actual imputation.

Ten explained scenarios, available without JavaScript

K01 · Relevant records first
Relevant records first
NeedSupplied orderkExpected reading
Q1A,B,C,D,E,F3Precision@3 = 1, Recall@3 = 1, RR@3 = 1 and nDCG@3 = 1 in this fully judged corpus.
K02 · Relevant records after cutoff
Relevant records after cutoff
NeedSupplied orderkExpected reading
Q1D,E,F,A,B,C3All four measures are 0 at k = 3. Relevant records exist but are placed after the inspected window.
K03 · First relevant record at rank two
First relevant record at rank two
NeedSupplied orderkExpected reading
Q1D,A,E,B,F,C3Precision@3 and Recall@3 are 1/3; RR@3 is 1/2. nDCG considers position and the ideal order.
K04 · Relevant records omitted
Relevant records omitted
NeedSupplied orderkExpected reading
Q1A,D,E,F3R remains 3 in the corpus even though B and C are absent from the list. Recall must not use only returned results as its denominator.
K05 · Duplicate identifier
Duplicate identifier
NeedSupplied orderkExpected reading
Q1A,A,B3Input rejected: A must not be counted twice. Correct the ranking rather than inflating the relevant count.
K06 · Unjudged before the first relevant record
Unjudged before the first relevant record
NeedSupplied orderkExpected reading
Q4C,A,D,E,B,F3C is unjudged. Precision@3, Recall@3, RR@3 and nDCG@3 are unavailable under the declared conventions.
K07 · Unjudged after the window
Unjudged after the window
NeedSupplied orderkExpected reading
Q4A,B,D,E,F,C3Precision@3 is 2/3 and RR@3 is 1. Recall@3 and nDCG@3 remain unavailable because C’s corpus judgment is missing.
K08 · Need with no relevant record
Need with no relevant record
NeedSupplied orderkExpected reading
Q3A,B,C,D,E,F3Precision@3 and RR@3 are 0. Recall and nDCG remain unavailable; this is an explicit convention rather than division by zero.
K09 · Change reading depth
Change reading depth
NeedSupplied orderkExpected reading
Q2A,D,B,C,E,F1At k = 1 no relevant record is visible. At k = 2, D appears: precision 1/2, recall 1 and RR@2 = 1/2.
K10 · Unknown relevance, always ideal ordering
Unknown relevance, always ideal ordering
NeedSupplied orderkExpected reading
Q5A,B,C,D,E,F2B may be relevant or not. Either way, all relevant records are within the first two ranks and the order stays ideal: recall, RR and nDCG are 1. Precision remains unknown.

Prepare a reproducible evaluation

Prepare a reproducible evaluation
Suggested checkRecord to retain
NeedsRepresentative and unanswerable questions; specify the documentary need behind each wording.
CorpusDocument and index versions, accessible scope and deletion or revocation rules.
JudgmentsRelevance rule, assessors, disagreements and unjudged state; do not equate clicks with documentary truth.
ProtocolSame k, filters, data and conventions before and after a retrieval change.
RegressionPer-query and per-need-family results, gaining and losing cases, hypothesis and checks on new documents.
Final answerEvaluate faithfulness, citations, useful refusals and permissions separately; better retrieval scores do not validate this stage.

For a reviewable decision, keep the question, ranking, judgments, k and corpus limitations with the score. One average can conceal a regression on a critical need. Error tracking and answer review remain necessary even when the first records are relevant.

Sources, editions and credits

Original CIE explanations, six documents, five needs, judgments and scenarios. Conceptual references: Stanford CS276 and NIST TREC’s reciprocal-rank definition. No source chart, ranking example or code is reproduced. The CIE program and its unavailable-value conventions are not a complete trec_eval implementation.

Stanford CS276 · Retrieval evaluation · 2019 course archive · PDF pp. 3, 5–6 · consulted 2026-10-23

SHA-256 : be38261a8cdbc95551a502504d0a1c146ea453ffd9712243ea067ac8538c1826

NIST TREC · Reciprocal rank definition · Repository snapshot 35cf096ba6d5ae08ca4803c056b31ed61a56a6d4 · consulted 2026-10-23

SHA-256 : 64159909e6e1e4e9e4dd3c569b119fdc90696d0b03cd902e6a9358dcd6e84677

Viralliset viitteet

Viitteet tukevat menetelmää. Sovita tarkastukset kontekstiisi; ne eivät ole sertifiointia. Alkuperäiset viitteiden otsikot ja lähdeasiakirjat voivat olla toisella kielellä.

Lähteet tarkistettu .