Evaluación de Rendimiento: Métricas y Pruebas

Concepto clave

La evaluacion de rendimiento en sistemas RAG es como calibrar un sistema de navegacion GPS para un conductor de camiones de larga distancia. No basta con que el GPS encuentre una ruta; debe ser la mas eficiente, precisa y segura para entregar la carga a tiempo. En RAG, esto significa medir que tan bien tu sistema recupera informacion relevante de la base de datos vectorial y la usa para generar respuestas utiles.

Imagina que eres un ingeniero de datos en una empresa de e-commerce. Tu sistema RAG debe responder preguntas de clientes sobre productos, como "¿Que laptop tiene mejor bateria para viajes frecuentes?". La evaluacion te dice si recupera los productos correctos y genera respuestas que realmente ayudan al cliente a decidir. Sin metricas, solo estas adivinando si tu sistema funciona bien.

Práctica: crea una evaluación reproducible

Usa las mismas preguntas para comparar Chroma, Pinecone y pgvector. Registra pregunta, respuesta esperada, contextos recuperados, fidelidad, relevancia de la respuesta, recall/precision del contexto y latencia. Compara calidad y velocidad; una respuesta más rápida no es mejor si recupera peor evidencia.

Como funciona en la practica

Vamos a evaluar un sistema RAG que usa Chroma para buscar laptops en una base de datos. Supongamos que tienes 100 consultas de prueba con respuestas ideales predefinidas. El proceso paso a paso:

1. Preparar datos de prueba: Crea un conjunto de 100 preguntas de clientes y las respuestas correctas esperadas. Ejemplo: Pregunta: "Laptop para programar con buen rendimiento bajo 1000€", Respuesta ideal: "Modelo X con procesador Y y 16GB RAM".
2. Ejecutar el sistema RAG: Para cada pregunta, tu sistema recupera los 5 productos mas relevantes de Chroma y genera una respuesta.
3. Calcular metricas clave:
   • Precision@K: De los K productos recuperados, cuantos son realmente relevantes. Si K=5 y 3 productos son relevantes, Precision@5 = 3/5 = 0.6.
   • Recall@K: De todos los productos relevantes en la base de datos, cuantos recuperaste en los primeros K. Si hay 10 productos relevantes y recuperas 4 en los primeros 5, Recall@5 = 4/10 = 0.4.
   • F1-Score: Media armonica de Precision y Recall: F1 = 2 * (Precision * Recall) / (Precision + Recall).
   • Latencia: Tiempo desde la pregunta hasta la respuesta, medido en segundos.
4. Analizar resultados: Usa una tabla para resumir:

   Metrica	Valor Objetivo	Valor Actual	Accion
   Precision@5	>0.7	0.6	Mejorar embeddings
   Recall@5	>0.5	0.4	Ajustar K o consultas
   Latencia	<2s	3s	Optimizar indice Chroma

Caso de estudio

En una startup de salud, implementamos un sistema RAG con Pinecone para responder preguntas sobre sintomas medicos. El objetivo: recuperar informacion precisa de una base de 10,000 documentos medicos y generar respuestas claras. Evaluamos con 50 preguntas reales de usuarios.

Resultados iniciales: Precision@3 = 0.65, Recall@3 = 0.55, latencia = 4s. El problema: los embeddings no capturaban bien terminos medicos. Solucion: Fine-tunamos el modelo de embeddings con datos medicos especificos. Despues: Precision@3 = 0.8, Recall@3 = 0.7, latencia = 2s (optimizando el indice Pinecone).

La evaluacion continua es clave; monitoreamos metricas semanalmente para detectar degradaciones, como cambios en las consultas de usuarios.

Errores comunes

• Evaluar solo con datos sinteticos: Usar preguntas generadas por IA en lugar de casos reales lleva a metricas infladas. Solucion: Recopila preguntas reales de usuarios o simula escenarios del mundo real.
• Ignorar la latencia: Enfocarse solo en precision y recall, pero si el sistema tarda 10 segundos en responder, los usuarios lo abandonaran. Solucion: Mide latencia en condiciones de carga real y establece objetivos claros (ej., <3s para el 95% de consultas).
• No definir K adecuadamente: Usar K=10 cuando los usuarios solo ven los primeros 3 resultados desperdicia recursos. Solucion: Analiza el uso real (ej., en una app movil, K=3 puede ser suficiente) y ajusta K segun el contexto.
• Olvidar la evaluacion de la generacion: Medir solo la recuperacion, pero la calidad de la respuesta generada es crucial. Solucion: Incluye metricas como BLEU o ROUGE para comparar respuestas generadas con ideales, o haz evaluacion humana con una muestra.

Checklist de dominio

1. He definido un conjunto de datos de prueba con al menos 50 preguntas reales o simuladas realisticas.
2. He calculado Precision@K, Recall@K y F1-Score para mi sistema RAG con Chroma/Pinecone/pgvector.
3. He medido la latencia del sistema en un entorno similar a produccion (ej., con carga concurrente).
4. He comparado metricas con objetivos basados en requisitos de negocio (ej., Precision@5 > 0.7).
5. He identificado al menos un cuello de botella en el rendimiento (ej., embeddings, indice, generacion).
6. He documentado los resultados y planes de mejora en un informe ejecutivo.
7. He configurado monitoreo basico para metricas clave en despliegue (ej., con logs o dashboards).

Evaluacion de un Sistema RAG con Chroma para Preguntas sobre Productos

En este ejercicio, evaluaras el rendimiento de un sistema RAG simple que usa Chroma para responder preguntas sobre productos electronicos. Sigue estos pasos:

1. Configura el entorno:
   • Instala ChromaDB y un modelo de embeddings como sentence-transformers (ej., 'all-MiniLM-L6-v2').
   • Crea una base de datos vectorial en Chroma con 20 productos electronicos ficticios. Cada producto debe tener: nombre, descripcion (2-3 oraciones), precio y categoria (ej., laptop, telefono). Usa embeddings basados en la descripcion.
2. Prepara datos de prueba:
   • Genera 10 preguntas de clientes realistas, como "Telefono con buena camara bajo 500€" o "Laptop ligera para estudiar".
   • Define manualmente las respuestas ideales para cada pregunta, listando los 3 productos mas relevantes de tu base de datos.
3. Implementa y ejecuta:
   • Construye un sistema RAG basico: para cada pregunta, recupera los 5 productos mas similares de Chroma usando similitud coseno.
   • Genera una respuesta simple que liste los productos recuperados con sus nombres y precios.
   • Ejecuta las 10 preguntas y registra los productos recuperados.
4. Calcula metricas:
   • Para cada pregunta, calcula Precision@5 (cuantos de los 5 recuperados estan en tu lista de 3 ideales) y Recall@5 (cuantos de los 3 ideales fueron recuperados en los 5).
   • Promedia los resultados sobre las 10 preguntas para obtener Precision@5 y Recall@5 globales.
   • Mide el tiempo promedio de respuesta (latencia) para las 10 consultas.
5. Analiza y reporta:
   • Crea una tabla HTML con las metricas calculadas y comparalas con objetivos razonables (ej., Precision@5 > 0.6, latencia < 1s).
   • Identifica un area de mejora (ej., calidad de embeddings, tamano de K) y propone una accion concreta.

Pistas

• Usa la funcion 'similarity_search' de Chroma para recuperar productos basados en embeddings de la pregunta.
• Para calcular Precision@5, cuenta cuantos productos recuperados coinciden con tu lista ideal; si no hay coincidencias, Precision@5 = 0.
• Si la latencia es alta, prueba a reducir el numero de dimensiones en los embeddings o a indexar menos productos.

Evalua tu comprension

Completa el quiz interactivo de arriba para ganar XP.