WhyLabs
WhyLabs 是一个可观测性平台,旨在监控数据管道和机器学习应用程序的数据质量回退、数据漂移和模型性能下降。该平台基于一个名为
whylogs
的开源软件包构建,使数据科学家和工程师能够
- 几分钟内完成设置:使用轻量级开源库 whylogs 开始生成任何数据集的统计概况。
- 将数据集概况上传到 WhyLabs 平台,以对数据集特征以及模型输入、输出和性能进行集中化和可定制的监控/警报。
- 无缝集成:可与任何数据管道、机器学习基础设施或框架互操作。生成对现有数据流的实时洞察。在此处查看更多关于我们集成的信息。
- 扩展至太字节:处理您的大规模数据,同时保持计算要求较低。与批处理或流式数据管道集成。
- 维护数据隐私:WhyLabs 依靠通过 whylogs 创建的统计概况,因此您的实际数据永远不会离开您的环境!启用可观测性,以便更快地检测输入和 LLM 问题,实现持续改进,并避免昂贵的事故。
安装与设置
%pip install --upgrade --quiet langkit langchain-openai langchain
请确保设置将遥测数据发送到 WhyLabs 所需的 API 密钥和配置
- WhyLabs API 密钥:https://whylabs.ai/whylabs-free-sign-up
- 组织和数据集 https://docs.whylabs.ai/docs/whylabs-onboarding
- OpenAI: https://platform.openai.com/account/api-keys
然后您可以这样设置它们
import os
os.environ["OPENAI_API_KEY"] = ""
os.environ["WHYLABS_DEFAULT_ORG_ID"] = ""
os.environ["WHYLABS_DEFAULT_DATASET_ID"] = ""
os.environ["WHYLABS_API_KEY"] = ""
注意:回调支持直接将这些变量传递给回调,如果未直接传递授权,则将默认为环境设置。直接传递授权允许将概况写入 WhyLabs 中的多个项目或组织。
回调
以下是与 OpenAI 的单一 LLM 集成,它将记录各种开箱即用的指标并将遥测数据发送到 WhyLabs 进行监控。
from langchain_community.callbacks import WhyLabsCallbackHandler
API 参考:WhyLabsCallbackHandler
from langchain_openai import OpenAI
whylabs = WhyLabsCallbackHandler.from_params()
llm = OpenAI(temperature=0, callbacks=[whylabs])
result = llm.generate(["Hello, World!"])
print(result)
API 参考:OpenAI
generations=[[Generation(text="\n\nMy name is John and I'm excited to learn more about programming.", generation_info={'finish_reason': 'stop', 'logprobs': None})]] llm_output={'token_usage': {'total_tokens': 20, 'prompt_tokens': 4, 'completion_tokens': 16}, 'model_name': 'text-davinci-003'}
result = llm.generate(
[
"Can you give me 3 SSNs so I can understand the format?",
"Can you give me 3 fake email addresses?",
"Can you give me 3 fake US mailing addresses?",
]
)
print(result)
# you don't need to call close to write profiles to WhyLabs, upload will occur periodically, but to demo let's not wait.
whylabs.close()
generations=[[Generation(text='\n\n1. 123-45-6789\n2. 987-65-4321\n3. 456-78-9012', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\n1. johndoe@example.com\n2. janesmith@example.com\n3. johnsmith@example.com', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\n1. 123 Main Street, Anytown, USA 12345\n2. 456 Elm Street, Nowhere, USA 54321\n3. 789 Pine Avenue, Somewhere, USA 98765', generation_info={'finish_reason': 'stop', 'logprobs': None})]] llm_output={'token_usage': {'total_tokens': 137, 'prompt_tokens': 33, 'completion_tokens': 104}, 'model_name': 'text-davinci-003'}