Graph RAG evalueren met RAGAS

Graph RAG met LangChain en Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Text-to-Cypher

 

De resultaten worden in de prompt gezet en naar de LLM gestuurd

 

De review is geplaatst door een Person met schermnaam @emileifrem

Graph RAG met LangChain en Neo4j

Graph RAG evalueren

 

  1. End-to-end genereren evalueren met time
  2. Tokens en kosten evalueren met tiktoken
  3. Uitvoerkwaliteit evalueren met ragas
    • Contextnauwkeurigheid
    • Ruisgevoeligheid

 

performance_tradeoffs.jpg

1 Afbeelding gegenereerd met GPT-4o
Graph RAG met LangChain en Neo4j

Ruisgevoeligheid

  • Meet de hoeveelheid irrelevante informatie in opgehaalde documenten
  • Hoger bij alleen vector search
  • Geeft een score op basis van relevante info
from ragas.metrics import NoiseSensitivity


metric = NoiseSensitivity(
    llm=evaluator_llm, 
    mode="irrelevant"
)
1 https://docs.ragas.io/en/stable/concepts/metrics/available_metrics/noise_sensitivity/
Graph RAG met LangChain en Neo4j

Contextnauwkeurigheid

  • Meet het aandeel relevante chunks in opgehaalde documenten
  • Hogere score = relevantere informatie
from ragas.metrics import LLMContextPrecisionWithReference


metric = LLMContextPrecisionWithReference(
    llm=evaluator_llm, 
)
1 https://docs.ragas.io/en/stable/concepts/metrics/available_metrics/context_precision/#llm-based-context-precision
Graph RAG met LangChain en Neo4j

Contextnauwkeurigheid

  • Meet het aandeel relevante chunks in opgehaalde documenten
  • Hogere score = relevantere informatie
from ragas.metrics import LLMContextPrecisionWithoutReference


metric = LLMContextPrecisionWithoutReference(
    llm=evaluator_llm, 
)
Graph RAG met LangChain en Neo4j

Text-to-Cypher-resultaatstructuur

cypher_result = {

    "user_input": "Who is Romeo's love?",

    "response": "Romeo loves Juliet",

    "retrieved_contexts": [
        {
            "source": "Romeo",
            "target": "Juliet",
            "relationship": "LOVES",
            "sentiment": 0.9837
        },
    ]

}
Graph RAG met LangChain en Neo4j

Text-to-Cypher-resultaatstructuur

cypher_result = {
    "user_input": "Who is Romeo's love?",
    "response": "Romeo loves Juliet",
    "retrieved_contexts": [
        json.dumps({
            "source": "Romeo",
            "target": "Juliet",
            "relationship": "LOVES",
            "sentiment": 0.9837
        }),
    ]
}
Graph RAG met LangChain en Neo4j

Alleen-vector resultaatstructuur

vector_result = { 
    "user_input": "Who is Romeo's love?",
    "response": "Romeo loves Juliet",
    "retrieved_contexts": [

        "But, soft! what light through yonder window breaks?..."
        "O, she doth teach the forches to burn bright!"

    ]
}
Graph RAG met LangChain en Neo4j

Hybride resultaatstructuur

hybrid_result = {
    "user_input": "Who is Romeo's love?",
    "response": "Romeo loves Juliet",

    "retrieved_contexts": [

        json.dumps({
            "page_content": "But, soft! what light through yonder window breaks? ...",

            "metadata": {

              "act": 2, "scene": 2, "spoken_to": "Juliet"

            }

        }),

        # ...

    ]
}
Graph RAG met LangChain en Neo4j

Een evaluatiedataset maken

cypher_result = {
    "user_input": "Who is Romeo's love?",
    "retrieved_contexts": [
        json.dumps({
            "source": "Romeo",
            "target": "Juliet",
            "relationship": "LOVES",
            "sentiment": 0.9837
        }),
    ]
}


cypher_dataset = EvaluationDataset.from_list([cypher_result])
Graph RAG met LangChain en Neo4j

Een LLM kiezen voor evaluatie

from langchain.chat_models import init_chat_model

# Kies een LLM voor de evaluatie
llm = init_chat_model(
    "gpt-4o-mini",
    model_provider="openai",
    api_key="...",
    temperature=0
)


# Wikkel in LangchainLLMWrapper
from ragas.llms import LangchainLLMWrapper
evaluator_llm = LangchainLLMWrapper(llm)
Graph RAG met LangChain en Neo4j

Antwoorden evalueren

from ragas import evaluate, EvaluationDataset
from ragas.metrics import LLMContextPrecisionWithoutReference, NoiseSensitivity

cypher_scores = evaluate(

    dataset=cypher_dataset,

    metrics=[

        LLMContextPrecisionWithoutReference(llm=evaluator_llm),

        NoiseSensitivity(llm=evaluator_llm, mode="irrelevant")

    ]

)

{'llm_context_precision_without_reference': 1.0000,
'noise_sensitivity(mode=irrelevant)': 0.0000}
Graph RAG met LangChain en Neo4j

Laten we oefenen!

Graph RAG met LangChain en Neo4j

Preparing Video For Download...