Feedback Prod

W&B Weave のフィードバックトラッキング機能を使用して、本番環境における LLM の出力に対するユーザーフィードバックを収集・分析します。

これはインタラクティブ ノートブックです。ローカルで実行することも、以下のリンクから利用することもできます。

• Google Colab で開く
• GitHub でソースを表示

生成された LLM の応答を自動評価するのは難しい場合があります。応答をより適切に評価して改善するには、問題のある箇所を特定するために、ユーザーからの直接的なフィードバックを追加で収集できます。

このノートブックでは、カスタム チャットボットの応答に関するユーザーフィードバックを収集する方法を紹介します。Streamlit を使ってインターフェースを構築し、LLM とのやり取りとフィードバックを W&B Weave に記録します。最終的には、各応答を Weave にログし、ユーザーによる高評価・低評価のリアクションや自由記述のフィードバックもあわせて記録する、動作するチャットボットが完成します。これにより、本番環境でのやり取りを確認し、改善点を特定できます。

​

セットアップ

まず、必要なパッケージをインストールし、チャットボットが OpenAI API を呼び出して Weave に Call をログできるよう、OpenAI と W&B の APIキーを設定します。

!pip install weave openai streamlit wandb
!pip install set-env-colab-kaggle-dotenv -q # 環境変数用
python
# OpenAI と WandB の APIキーを記載した .env ファイルを追加する
from set_env import set_env

_ = set_env("OPENAI_API_KEY")
_ = set_env("WANDB_API_KEY")

次に、chatbot.py という名前のファイルを作成し、以下の内容を記述します。このファイルでは、Streamlit のチャットインターフェースを定義し、各レスポンスがトラッキングされるように OpenAI の呼び出しを Weave op でラップし、対応する Weave Call にリアクションとメモを関連付けるフィードバックコントロールを表示します。

# chatbot.py

import openai
import streamlit as st
import wandb
from set_env import set_env

import weave

_ = set_env("OPENAI_API_KEY")
_ = set_env("WANDB_API_KEY")

wandb.login()

weave_client = weave.init("feedback-example")
oai_client = openai.OpenAI()

def init_states():
    """session_state のキーがまだ存在しない場合に設定します。"""
    if "messages" not in st.session_state:
        st.session_state["messages"] = []
    if "calls" not in st.session_state:
        st.session_state["calls"] = []
    if "session_id" not in st.session_state:
        st.session_state["session_id"] = "123abc"

@weave.op
def chat_response(full_history):
    """
    これまでの会話履歴全体を基に、ストリーミング モードで OpenAI API を呼び出します。
    full_history は辞書のリストです: [{"role":"user"|"assistant","content":...}, ...]
    """
    stream = oai_client.chat.completions.create(
        model="gpt-4", messages=full_history, stream=True
    )
    response_text = st.write_stream(stream)
    return {"response": response_text}

def render_feedback_buttons(call_idx):
    """Call に対するサムズアップ/ダウンおよびテキスト フィードバックをレンダリングします。"""
    col1, col2, col3 = st.columns([1, 1, 4])

    # サムズアップ ボタン
    with col1:
        if st.button("👍", key=f"thumbs_up_{call_idx}"):
            st.session_state.calls[call_idx].feedback.add_reaction("👍")
            st.success("Thanks for the feedback!")

    # サムズダウン ボタン
    with col2:
        if st.button("👎", key=f"thumbs_down_{call_idx}"):
            st.session_state.calls[call_idx].feedback.add_reaction("👎")
            st.success("Thanks for the feedback!")

    # テキスト フィードバック
    with col3:
        feedback_text = st.text_input("Feedback", key=f"feedback_input_{call_idx}")
        if (
            st.button("Submit Feedback", key=f"submit_feedback_{call_idx}")
            and feedback_text
        ):
            st.session_state.calls[call_idx].feedback.add_note(feedback_text)
            st.success("Feedback submitted!")

def display_old_messages():
    """st.session_state.messages に保存された会話をフィードバック ボタンとともに表示します。"""
    for idx, message in enumerate(st.session_state.messages):
        with st.chat_message(message["role"]):
            st.markdown(message["content"])

            # アシスタント メッセージの場合はフィードバック フォームを表示する
            if message["role"] == "assistant":
                # st.session_state.calls 内でこのアシスタント メッセージのインデックスを特定する
                assistant_idx = (
                    len(
                        [
                            m
                            for m in st.session_state.messages[: idx + 1]
                            if m["role"] == "assistant"
                        ]
                    )
                    - 1
                )
                # サムズアップ/ダウンおよびテキスト フィードバックをレンダリングする
                if assistant_idx < len(st.session_state.calls):
                    render_feedback_buttons(assistant_idx)

def display_chat_prompt():
    """チャット プロンプトの入力ボックスを表示します。"""
    if prompt := st.chat_input("Ask me anything!"):
        # 新しいユーザー メッセージを即座にレンダリングする
        with st.chat_message("user"):
            st.markdown(prompt)

        # セッションにユーザー メッセージを保存する
        st.session_state.messages.append({"role": "user", "content": prompt})

        # API 用のチャット履歴を準備する
        full_history = [
            {"role": msg["role"], "content": msg["content"]}
            for msg in st.session_state.messages
        ]

        with st.chat_message("assistant"):
            # 会話インスタンスのトラッキング用に Weave 属性を付与する
            with weave.attributes(
                {"session": st.session_state["session_id"], "env": "prod"}
            ):
                # OpenAI API を呼び出す（ストリーム）
                result, call = chat_response.call(full_history)

                # アシスタント メッセージを保存する
                st.session_state.messages.append(
                    {"role": "assistant", "content": result["response"]}
                )

                # フィードバックを特定の Response に紐付けるために Weave の Call オブジェクトを保存する
                st.session_state.calls.append(call)

                # 新しいメッセージ用のフィードバック ボタンをレンダリングする
                new_assistant_idx = (
                    len(
                        [
                            m
                            for m in st.session_state.messages
                            if m["role"] == "assistant"
                        ]
                    )
                    - 1
                )

                # フィードバック ボタンをレンダリングする
                if new_assistant_idx < len(st.session_state.calls):
                    render_feedback_buttons(new_assistant_idx)

def main():
    st.title("Chatbot with immediate feedback forms")
    init_states()
    display_old_messages()
    display_chat_prompt()

if __name__ == "__main__":
    main()

これは streamlit run chatbot.py で実行できます。

これで、このアプリケーションを操作し、各応答の後でフィードバックボタンをクリックできます。添付されたフィードバックを確認するには、Weave UI にアクセスします。各チャットのやり取りは Weave call として記録され、送信したリアクションやメモは、その応答を生成した call に紐付けられます。

​

説明

次のセクションでは、チャットボットで使用している主要な Weave API を順に説明します。ここで紹介するパターンは、ご自身のアプリケーションにも同様に適用できます。

次のデコレータ付きの予測関数を見てみましょう。

import weave

weave.init("feedback-example")

@weave.op
def predict(input_data):
    # 予測ロジックをここに記述します
    some_result = "hello world"
    return some_result

通常どおり、これを使用してモデルの応答をユーザーに返すことができます。

with weave.attributes(
    {"session": "123abc", "env": "prod"}
):  # inputs & outputs と共に任意の属性を call に付与する
    result = predict(input_data="your data here")  # App UI 経由のユーザーの質問

feedback を添付するには、通常どおりに関数を呼び出すのではなく、.call() メソッドを使って取得した call オブジェクトが必要です：

result, call = predict.call(input_data="your data here")

この特定の応答にフィードバックを関連付けるには、このcallオブジェクトが必要です。callを実行すると、オペレーションの出力をresultとして利用できます。

callオブジェクトを取得したら、その特定の応答に対するユーザーフィードバックを記録できます。

call.feedback.add_reaction("👍")  # App UI を通じたユーザーのリアクション

​

まとめ

このチュートリアルでは、Streamlit を使用して、Weave で入力と出力を取得し、あわせてユーザーのフィードバックを取得するための高評価・低評価ボタンを備えたチャット UI を構築しました。