Eval
Hogyan értékelj olyan feladatot, aminek nincs egy helyes megoldása
Egy prezentációt vagy összefoglalót ezerféleképpen lehet jól megcsinálni. Így lesz mégis mérhető: kritériumokra bontással és emberi visszajelzéssel.
Egy számla összegét egyértelműen el lehet dönteni. Egy ügyfélösszefoglaló minőségét nem — ott az eredmény attól is függ, ki nézi.
Ettől még nem lehet lemondani a mérésről. Csak más eszköz kell hozzá.
Ne a kimenetet pontozd, hanem a tulajdonságait
A trükk az, hogy a „jó-e ez az összefoglaló?” kérdést szétszeded olyan részkérdésekre, amelyekre igen vagy nem a válasz.
Egy ügyfél-találkozó összefoglalójánál például:
- Szerepel benne minden megbeszélt határidő? (igen / nem)
- Van benne olyan állítás, ami nem hangzott el? (igen / nem)
- Meg van nevezve minden felelős? (igen / nem)
- 200 szó alatt van? (igen / nem)
- A nyitó mondat a döntést tartalmazza, nem a köszönést? (igen / nem)
Öt bináris kérdésből lesz egy pontszám, ami mérhető, összehasonlítható, és amiről vitatkozni is lehet — de legalább konkrétan.
A legfontosabb közülük a második: van-e benne olyan, ami nincs a forrásban. Ez a hallucináció mérése, és ez az, ami a bizalmat eldönti.
Honnan jönnek a kritériumok
A meglévő anyagokból. Ha van ötszáz korábbi összefoglaló, amit a csapat elfogadhatónak tart, azokból kiolvasható, mi a közös bennük. Ha van tíz, amit visszadobtak, azokból még többet lehet tanulni: a visszadobás oka a kritérium.
Ezt a listát a szakterülettel együtt írjuk meg, és nem az első verzió lesz a végleges. Az első két hónapban rendszeresen bővül.
Az emberi visszajelzés nem opcionális
Bármilyen jó a kritériumlista, egy ítéletalapú feladatnál nem lesz teljes. Ezért ilyen esetekben mindig marad ember a hurokban, és a rendszer felületén egy dolog biztosan ott van: egy visszajelzési lehetőség.
Nem ötcsillagos értékelés. Egyetlen kérdés: elfogadható volt? És ha nem, egy mező: mi hiányzott?
Ebből a két adatból két dolog lesz:
- Új kritérium. Ami háromszor előjön a szöveges mezőben, az bekerül a listába.
- Új eset a készletbe. A visszadobott kimenet a javított változattal együtt új mérési eset.
Így a mérési készlet nem statikus dokumentum, hanem együtt nő a rendszerrel.
Amit ilyenkor nem szabad ígérni
Ítéletalapú feladatnál nincs 99%. Ha valaki azt ígéri, vagy nem érti a feladatot, vagy nem mérte meg.
Amit ígérni lehet: hogy a kimenet elfogadható arányban jó, hogy a hibák láthatók és javíthatók, és hogy az arány mérhetően javul. Ez elég ahhoz, hogy egy folyamat gyorsabb legyen — feltéve, hogy az ellenőrzés gyorsabb, mint a megírás.
Ez az utolsó feltétel a döntő. Ha egy összefoglaló átnézése és javítása ugyanannyi ideig tart, mint megírni, akkor a rendszer nem segít, hanem átcsoportosítja a munkát. Ezt az auditban meg kell mérni, nem feltételezni.
Kapcsolódó: az arany adathalmaz felépítése és ember a hurokban.
Kérdések ehhez a témához
Használhatunk modellt bírónak (LLM-as-a-judge)?
Igen, de csak akkor, ha előbb kalibráltátok: futtassátok le emberi pontozás mellett, és nézzétek meg, mennyire egyeznek. Kalibrálatlan gépi bíró a saját elfogultságát méri.
Ez nálatok hogy néz ki?
Ha ez a probléma ismerős, kezdjük egy folyamattal. Írjátok meg, melyik részleg viszi el a legtöbb kézi munkaórát — visszaírunk egy konkrét javaslattal.