RAG Evaluation: Groundedness ve Kaynak Doğruluğu İçin Test Planı

Problemi doğru sınırlandırın

RAG sistemini demo sorularıyla değil; kaynak bulma, kaynaklı cevap, yanlış reddetme ve yetki sınırları içeren tekrarlanabilir eval setiyle ölçün.

Bu rehberin odak noktası kurumsal bilgi asistanının doğru belgeyi bulup yalnızca dayanaklı cevap üretmesini ölçmek. Örnek senaryo gerçek bir müşteri vakası değil, karar mantığını görünür kılmak için hazırlanmış varsayımsal bir çalışma örneğidir: İK dokümanlarında benzer izin politikaları var; asistan eski dokümanı bulduğunda ikna edici ama yanlış cevap verebiliyor.

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 setini yalnızca doğru cevap örneklerinden oluşturmayın; cevabın verilmemesi gereken, yetkisiz ve çelişkili belge senaryoları da bulunmalıdır. Bu kararın değeri, ekip tarafından aynı şekilde yorumlanabilmesi ve testle kanıtlanabilmesidir. Belirsiz ifadeler yerine gözlenebilir davranış, sorumlu sistem ve hata halinde beklenen sonuç yazılmalıdır.

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 “Soruları gerçek kullanıcı niyetlerinden örnekleyin” 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 “Retrieval ve generation başarısını ayrı puanlayın” 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 “Kaynak referansının gerçekten cevabı desteklediğini kontrol edin” 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 kurumsal bilgi asistanının doğru belgeyi bulup yalnızca dayanaklı cevap üretmesini ölçmek bağlamında her prompt/model değişiminde regresyon eval'i çalıştırın 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. yetkisiz dokümanı retrieval katmanında filtrelememek gerçekleşirse geri alma kararını kimin vereceği ve kaç dakika içinde uygulanacağı belli olmalıdır. Ardından her prompt/model değişiminde regresyon eval'i çalıştırın yeniden çalıştırarak değişikliğin hala güvenli olduğunu kanıtlayın.

Kabul kriterini operasyonla bağlayın

Dördüncü kontrol “Her prompt/model değişiminde regresyon eval'i çalıştırın” 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.

Birincil kaynaklarla teknik çerçeveyi doğrulayın

Risk analizi üç görünür başlıkta tutulabilir. Birincisi “Sadece birkaç showcase sorusuyla kalite ölçmek”. Bu risk için erken uyarı sinyali, etkilenebilecek kayıt veya kullanıcı kapsamı ve geri alma adımı yazılmalıdır. İkincisi “Eski belgeyi güncel belgeyle ayıramamak”; bunu yalnızca log hatası olarak değil veri veya müşteri etkisi olarak da ölçün. Üçüncüsü “Yetkisiz dokümanı retrieval katmanında filtrelememek”; bu risk gerçekleşmese bile test senaryosunda kasıtlı olarak tetiklenerek kontrolün işe yaradığı kanıtlanabilir.

• OpenAI API — Evals

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.

Teknik çerçeveyi kontrol ederken bu rehberde OpenAI API — Evals 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.

Sık sorulan sorular

RAG Evaluation için ilk adım nedir?

Önce problemi teknik çözüm adıyla değil iş etkisiyle sınırlayın. Bu rehberdeki senaryoda başlangıç noktası kurumsal bilgi asistanının doğru belgeyi bulup yalnızca dayanaklı cevap üretmesini ölçmek. Ardından mevcut davranışı ölçün ve ilk kabul kriterini soruları gerçek kullanıcı niyetlerinden örnekleyin şeklinde somutlaştırın.

Bu çalışma tek seferde canlıya alınmalı mı?

Genellikle hayır. En güvenli yaklaşım, değişikliği küçük bir kapsamda doğrulayıp gözlem sinyallerini izlemektir. Özellikle “Sadece birkaç showcase sorusuyla kalite ölçmek” 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. Retrieval ve generation başarısını ayrı puanlayın ve kaynak referansının gerçekten cevabı desteklediğini kontrol edin 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.