Utvärdera Graph RAG med RAGAS

Graph RAG med LangChain och Neo4j

Adam Cowley

Manager, Developer Education at Neo4j

Text-till-Cypher

 

Resultaten injiceras i prompten och skickas sedan till LLM

Vektorsökning

 

Recensionen är postad av en Person med skärmnamnet @emileifrem

Graph RAG med LangChain och Neo4j

Utvärdera Graph RAG

 

  1. Utvärdera end-to-end-generering med time
  2. Utvärdera tokenanvändning och kostnader med tiktoken
  3. Utvärdera outputkvalitet med ragas
    • Context precision
    • Noise sensitivity

 

performance_tradeoffs.jpg

1 Bild genererad med GPT-4o
Graph RAG med LangChain och Neo4j

Noise Sensitivity

  • Mäter mängden irrelevant information i hämtade dokument
  • Högre vid enbart vektorsökning
  • Returnerar ett poäng baserat på relevant information
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 med LangChain och Neo4j

Context Precision

  • Mäter andelen relevanta chunk i hämtade dokument
  • Högre poäng innebär mer relevant hämtad information
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 med LangChain och Neo4j

Context Precision

  • Mäter andelen relevanta chunk i hämtade dokument
  • Högre poäng innebär mer relevant hämtad information
from ragas.metrics import LLMContextPrecisionWithoutReference


metric = LLMContextPrecisionWithoutReference(
    llm=evaluator_llm, 
)
Graph RAG med LangChain och Neo4j

Resultatstruktur för text-till-Cypher

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 med LangChain och Neo4j

Resultatstruktur för text-till-Cypher

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 med LangChain och Neo4j

Resultatstruktur för enbart vektor

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 med LangChain och Neo4j

Resultatstruktur för hybrid

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 med LangChain och Neo4j

Skapa en utvärderingsdatamängd

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 med LangChain och Neo4j

Välja en LLM för utvärdering

from langchain.chat_models import init_chat_model

# Choose an LLM to perform the evaluation
llm = init_chat_model(
    "gpt-4o-mini",
    model_provider="openai",
    api_key="...",
    temperature=0
)


# Wrap in LangchainLLMWrapper
from ragas.llms import LangchainLLMWrapper
evaluator_llm = LangchainLLMWrapper(llm)
Graph RAG med LangChain och Neo4j

Utvärdera svar

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 med LangChain och Neo4j

Nu kör vi en övning!

Graph RAG med LangChain och Neo4j

Preparing Video For Download...