Der Aufbau einer erfolgreichen LLM-basierten Anwendung beginnt mit der klaren Definition Ihrer Erfolgskriterien. Wie werden Sie wissen, wann Ihre Anwendung gut genug ist, um sie zu veröffentlichen? Klare Erfolgskriterien stellen sicher, dass Ihre Bemühungen im Prompt Engineering und bei der Optimierung darauf ausgerichtet sind, spezifische, messbare Ziele zu erreichen.

​
Starke Kriterien entwickeln

Gute Erfolgskriterien sind:
  • Spezifisch: Definieren Sie klar, was Sie erreichen möchten. Statt “guter Leistung” spezifizieren Sie “präzise Stimmungsklassifizierung”.
  • Messbar: Verwenden Sie quantitative Metriken oder klar definierte qualitative Skalen. Zahlen bieten Klarheit und Skalierbarkeit, aber qualitative Maßnahmen können wertvoll sein, wenn sie konsequent zusammen mit quantitativen Maßnahmen angewendet werden.
    • Selbst “unscharfe” Themen wie Ethik und Sicherheit können quantifiziert werden:
      Sicherheitskriterien
      SchlechtSichere Ausgaben
      GutWeniger als 0,1% der Ausgaben aus 10.000 Versuchen werden von unserem Inhaltsfilter wegen Toxizität markiert.
    Quantitative Metriken:
    • Aufgabenspezifisch: F1-Score, BLEU-Score, Perplexität
    • Generisch: Genauigkeit, Präzision, Recall
    • Operativ: Antwortzeit (ms), Betriebszeit (%)
    Quantitative Methoden:
    • A/B-Tests: Vergleich der Leistung mit einem Basismodell oder einer früheren Version.
    • Nutzerfeedback: Implizite Messungen wie Aufgabenabschlussraten.
    • Randfall-Analyse: Prozentsatz der Randfälle, die ohne Fehler behandelt werden.
    Qualitative Skalen:
    • Likert-Skalen: “Bewerten Sie die Kohärenz von 1 (unsinnig) bis 5 (perfekt logisch)”
    • Expertenrubriken: Linguisten bewerten die Übersetzungsqualität nach definierten Kriterien
  • Erreichbar: Basieren Sie Ihre Ziele auf Branchenbenchmarks, früheren Experimenten, KI-Forschung oder Expertenwissen. Ihre Erfolgsmetriken sollten nicht unrealistisch für die aktuellen Fähigkeiten von Spitzenmodellen sein.
  • Relevant: Richten Sie Ihre Kriterien an dem Zweck Ihrer Anwendung und den Bedürfnissen der Nutzer aus. Eine starke Zitiergenauigkeit könnte für medizinische Apps entscheidend sein, aber weniger wichtig für Casual-Chatbots.
Kriterien
SchlechtDas Modell sollte Stimmungen gut klassifizieren
GutUnser Stimmungsanalysemodell sollte einen F1-Score von mindestens 0,85 (Messbar, Spezifisch) auf einem zurückgehaltenen Testset* von 10.000 verschiedenen Twitter-Beiträgen (Relevant) erreichen, was eine Verbesserung von 5% gegenüber unserer aktuellen Baseline darstellt (Erreichbar).
*Mehr zu zurückgehaltenen Testsets im nächsten Abschnitt

​
Häufige Erfolgskriterien, die zu berücksichtigen sind

Hier sind einige Kriterien, die für Ihren Anwendungsfall wichtig sein könnten. Diese Liste ist nicht erschöpfend.
Wie gut muss das Modell die Aufgabe erfüllen? Möglicherweise müssen Sie auch den Umgang mit Randfällen berücksichtigen, z.B. wie gut das Modell mit seltenen oder herausfordernden Eingaben umgehen muss.
Wie ähnlich müssen die Antworten des Modells für ähnliche Arten von Eingaben sein? Wenn ein Benutzer die gleiche Frage zweimal stellt, wie wichtig ist es, dass er semantisch ähnliche Antworten erhält?
Wie gut geht das Modell direkt auf die Fragen oder Anweisungen des Benutzers ein? Wie wichtig ist es, dass die Informationen logisch und leicht verständlich präsentiert werden?
Wie gut passt der Ausgabestil des Modells zu den Erwartungen? Wie angemessen ist seine Sprache für die Zielgruppe?
Was ist eine erfolgreiche Metrik dafür, wie das Modell mit persönlichen oder sensiblen Informationen umgeht? Kann es Anweisungen befolgen, bestimmte Details nicht zu verwenden oder zu teilen?
Wie effektiv nutzt das Modell den bereitgestellten Kontext? Wie gut bezieht es sich auf Informationen aus seiner Historie und baut darauf auf?
Was ist die akzeptable Antwortzeit für das Modell? Dies hängt von den Echtzeit-Anforderungen Ihrer Anwendung und den Erwartungen der Benutzer ab.
Was ist Ihr Budget für den Betrieb des Modells? Berücksichtigen Sie Faktoren wie die Kosten pro API-Aufruf, die Größe des Modells und die Nutzungshäufigkeit.
Die meisten Anwendungsfälle erfordern eine mehrdimensionale Bewertung anhand mehrerer Erfolgskriterien.
Kriterien
SchlechtDas Modell sollte Stimmungen gut klassifizieren
GutAuf einem zurückgehaltenen Testset von 10.000 verschiedenen Twitter-Beiträgen sollte unser Stimmungsanalysemodell Folgendes erreichen:
- einen F1-Score von mindestens 0,85
- 99,5% der Ausgaben sind nicht toxisch
- 90% der Fehler würden nur Unannehmlichkeiten verursachen, keine schwerwiegenden Fehler*
- 95% Antwortzeit < 200ms
*In der Realität würden wir auch definieren, was “Unannehmlichkeiten” und “schwerwiegend” bedeutet.

​
Nächste Schritte

Kriterien brainstormen

Brainstormen Sie Erfolgskriterien für Ihren Anwendungsfall mit Claude auf claude.ai.

Tipp: Fügen Sie diese Seite in den Chat ein als Leitfaden für Claude!

Evaluationen entwerfen

Lernen Sie, starke Testsets zu erstellen, um Claudes Leistung anhand Ihrer Kriterien zu messen.