AI Eval Golden Set Versioning: Test Seti Eskidiğinde Başarı Oranı Ne Anlama Gelir?

Problemi doğru sınırlandırın

LLM özelliğinin değerlendirme setini veri, politika ve kullanıcı davranışı değiştikçe versiyonlayarak skorların zaman içinde karşılaştırılabilir kalmasını sağlayın.

Bu rehberin odak noktası AI kalite ölçümünde test seti drift'ini model değişikliğinden ayırmak. Örnek senaryo gerçek bir müşteri vakası değil, karar mantığını görünür kılmak için hazırlanmış varsayımsal bir çalışma örneğidir: Destek botunun ürün politikası değişiyor ve eski golden cevaplar artık yanlış; model yeni doğru cevabı verdiğinde test başarısız sayıyor.

Yapay zekâ özelliği deterministik bir form ekranı gibi davranmaz; kalite dağılımı veri, prompt, model, retrieval ve araç çağrısı değiştikçe hareket eder. Bu yüzden yayın kararı yalnızca iyi bir demo üzerinden verilemez.

Karar çerçevesi

Bu durumda temel karar şudur: Eval dataset'e sürüm, geçerlilik tarihi ve kaynak politika referansı verin; model sürümü ile dataset sürümünü sonuç kaydında birlikte saklayın. Bu kararın değeri, ekip tarafından aynı şekilde yorumlanabilmesi ve testle kanıtlanabilmesidir. Belirsiz ifadeler yerine gözlenebilir davranış, sorumlu sistem ve hata halinde beklenen sonuç yazılmalıdır. Uygulama ayrıntısı: Golden set değişikliğini kod değişikliği gibi review edin; örnek ekleme veya beklenen cevabı değiştirme gerekçesi, kaynak linki ve etkilediği kalite boyutu kayıt altında olsun. Golden set değişikliğini kod değişikliği gibi review edin; örnek ekleme veya beklenen cevabı değiştirme gerekçesi, kaynak linki ve etkilediği kalite boyutu kayıt altında olsun.

Sabit bir değerlendirme seti, açık başarısızlık eşikleri, yetki sınırları ve geri alınabilir rollout birlikte tasarlandığında AI özelliği ölçülebilir bir ürün bileşenine dönüşür.

Dört uygulama ve kabul kontrolü

Birinci kontrol “Eski policy sorularını işaretleyin” olmalıdır. Bunun için önce mevcut durumdan örnek kayıt veya trafik seçin, beklenen sonucu önceden yazın ve değişiklikten sonra aynı örnekleri yeniden çalıştırın. Kontrolün sahibi ile kanıtın saklanacağı yer belli değilse, test tamamlandı denmemelidir.

İkinci kontrol “Yeni edge case'leri ayrı cohort olarak ekleyin” maddesidir. Bu kontrol yalnızca başarılı senaryoda değil; boş veri, gecikme, tekrar, yetkisiz kullanıcı veya bağlantı sorunu gibi sınır koşullarında da denenmelidir. Böylece sistemin yalnızca demo sırasında değil gerçek operasyon baskısı altında nasıl davrandığı anlaşılır.

Üçüncü kontrol “Aynı modeli iki dataset sürümünde çalıştırın” olarak tanımlanmıştır. Uygulama ekibi teknik logları izlerken operasyon ekibi aynı olayın kullanıcı veya iş sonucu üzerindeki etkisini görebilmelidir. İki görünüm arasında ilişki kurulması, sorunun kaynağını daha hızlı ayırmaya yardımcı olur.

Yayın öncesinde AI kalite ölçümünde test seti drift'ini model değişikliğinden ayırmak bağlamında skor trendini cohort bazında raporlayın için hazırlığı somutlaştırmalısınız. Bu kontrol hangi test verisiyle yapılacak, beklenen davranış nasıl ölçülecek, arızalı sonucun kullanıcıya görüntüsü ne olacak, ve bulunursa veri nasıl düzeltilecek—tüm bunlar yazılı olmalıdır. Sorumlu kişi, kanıt deposu ve geri alma adımları belirlenmek üzere bir form doldurmalısınız.

Riskleri yayın öncesinde görünür kılın

Yayından sonra ilk 24 saat kritiktir. Normal durumda beklediğiniz sinyalleri (işlem sayısı, hata oranı, yanıt süresi) önceden yazın; hangi değerler alarm üreteceği ve kim baktığını belirleyin. eski hataların sessizce testten silinmesi gerçekleşirse geri alma kararını kimin vereceği ve kaç dakika içinde uygulanacağı belli olmalıdır. Ardından skor trendini cohort bazında raporlayın yeniden çalıştırarak değişikliğin hala güvenli olduğunu kanıtlayın. Kanıt planı: Her release raporunda model ID, prompt sürümü, retrieval sürümü ve eval dataset sürümünü birlikte yazın; aynı skorun hangi koşullarda üretildiği sonradan yeniden kurulabilsin.

Kabul kriterini operasyonla bağlayın

Dördüncü kontrol “Skor trendini cohort bazında raporlayın” maddesidir. Bu son adım çoğu projede atlanır; oysa yayın öncesi kabul listesinin bir parçası olduğunda değişikliğin ne zaman gerçekten tamamlandığı netleşir. Kontrol sonuçları tarih, sürüm ve sorumlu ile kaydedilmelidir. Her release raporunda model ID, prompt sürümü, retrieval sürümü ve eval dataset sürümünü birlikte yazın; aynı skorun hangi koşullarda üretildiği sonradan yeniden kurulabilsin.

Birincil kaynaklarla teknik çerçeveyi doğrulayın

Risk analizi üç görünür başlıkta tutulabilir. Birincisi “Test setinin gerçek dünyadan kopması”. Bu risk için erken uyarı sinyali, etkilenebilecek kayıt veya kullanıcı kapsamı ve geri alma adımı yazılmalıdır. İkincisi “Başarı oranının dataset değişimiyle yapay yükselmesi”; bunu yalnızca log hatası olarak değil veri veya müşteri etkisi olarak da ölçün. Üçüncüsü “Eski hataların sessizce testten silinmesi”; bu risk gerçekleşmese bile test senaryosunda kasıtlı olarak tetiklenerek kontrolün işe yaradığı kanıtlanabilir.

• OpenAI Developers — Evals
• NIST SP 800-218 — Secure Software Development Framework

Yayın, gözlem ve geri dönüş planı

Kabul tablosu proje yönetim aracı yerine geçmez; ekiplerin aynı 'bitti' tanımını kullanmasını sağlar. Her kontrol için örnek veri, beklenen sonuç, gözlem noktası ve sorumlu belirlemek; sonradan yaşanan tartışmayı yayın öncesi karara dönüştürür. Eğer bir kontrol otomatikleştirilebiliyorsa regresyon testine eklenmesi, manuel kalıyorsa tekrar çalıştırılabilecek kısa bir runbook'a bağlanması yararlıdır. Kapsam sınırı: Golden set üretim trafiğinin tamamını temsil etmez; sabit regresyon setini gerçek kullanıcı geri bildirimi ve periyodik kör örneklem incelemesiyle tamamlayın.

Teknik çerçeveyi kontrol ederken bu rehberde OpenAI Developers — Evals, NIST SP 800-218 — Secure Software Development Framework birincil dokümantasyonları referans alınmıştır. Bu kaynaklar kullanılan kavramların ve platform davranışlarının resmi açıklamalarını sağlar; ancak sizin veri modeliniz, sözleşmeleriniz, trafik profiliniz ve güvenlik gereksiniminiz için nihai tasarım kararı değildir. Uygulama öncesinde kullanılan ürün/sürüm dokümantasyonu yeniden kontrol edilmelidir.

Yayın planında üç kapı kullanın: önce yapısal doğrulama, sonra sınırlı gerçek kullanım, son olarak genişletme. İlk kapıda şema, yetki, hata ve veri bütünlüğü test edilir. İkinci kapıda gerçek trafik veya temsil edici kullanıcı grubu üzerinden performans ve davranış izlenir. Üçüncü kapıya yalnızca belirlenen hata bütçesi ve iş metriği sınırları içinde kalındığında geçilir. Bu sıra, değişikliği yavaşlatmak için değil geri bildirim maliyetini düşürmek için vardır. Golden set üretim trafiğinin tamamını temsil etmez; sabit regresyon setini gerçek kullanıcı geri bildirimi ve periyodik kör örneklem incelemesiyle tamamlayın.

Sık sorulan sorular

AI Eval Golden Set Versioning için ilk adım nedir?

Önce problemi teknik çözüm adıyla değil iş etkisiyle sınırlayın. Bu rehberdeki senaryoda başlangıç noktası AI kalite ölçümünde test seti drift'ini model değişikliğinden ayırmak. Ardından mevcut davranışı ölçün ve ilk kabul kriterini eski policy sorularını işaretleyin şeklinde somutlaştırın.

Bu çalışma tek seferde canlıya alınmalı mı?

Genellikle hayır. En güvenli yaklaşım, değişikliği küçük bir kapsamda doğrulayıp gözlem sinyallerini izlemektir. Özellikle “Test setinin gerçek dünyadan kopması” riski gerçekleştiğinde geri dönüş veya telafi adımının önceden tanımlı olması gerekir.

Yapay Zekâ ve Otomasyon projesinde başarı nasıl kabul edilir?

Başarı yalnızca ekranın veya endpoint'in çalışması değildir. Yeni edge case'leri ayrı cohort olarak ekleyin ve aynı modeli iki dataset sürümünde çalıştırın birlikte doğrulanmalı; hata, tekrar ve yetki gibi sınır durumları için de ölçülebilir kanıt üretilmelidir.

Bu içerikteki senaryo ve kabul örnekleri açıklama amacıyla hazırlanmış varsayımsal örneklerdir; müşteri sonucu, fiyat, sertifikasyon veya performans garantisi değildir. Platform davranışları uygulama tarihinde güncel birincil dokümantasyondan yeniden doğrulanmalıdır.