Import from CSV - CoreWeave Docs

これは対話型ノートブックです。ローカルで実行するか、以下のリンクを使用できます:

サードパーティシステムからのトレースのインポート

このノートブックでは、CSV ファイルから過去の会話トレースを W&B Weave にインポートする方法を紹介します。これにより、Weave でインストルメントされるアプリケーションの外部で生成されたデータを分析したり、モデル動作を比較したり、評価を実行したりできます。 Python または JavaScript のコードを Weave インテグレーションでインストルメントして GenAI アプリケーションのリアルタイムトレースを取得できない場合があります。こうしたトレースは、後で CSV または JSON 形式で入手できることがよくあります。このノートブックでは、低レベルの Weave Python API を使用して CSV ファイルからデータを抽出して Weave にインポートし、分析および評価できるようにします。このクックブックで想定するサンプルデータセットの構造は次のとおりです：

conversation_id,turn_index,start_time,user_input,ground_truth,answer_text
1234,1,2024-09-04 13:05:39,This is the beginning, ['This was the beginning'], That was the beginning
1235,1,2024-09-04 13:02:11,This is another trace,, That was another trace
1235,2,2024-09-04 13:04:19,This is the next turn,, That was the next turn
1236,1,2024-09-04 13:02:10,This is a 3 turn conversation,, Woah thats a lot of turns
1236,2,2024-09-04 13:02:30,This is the second turn, ['That was definitely the second turn'], You are correct
1236,3,2024-09-04 13:02:53,This is the end,, Well good riddance!

このノートブックでの import の決定を理解するために、Weave トレースには 1:Many で連続した親子関係があることを思い出してください。1 つの親は複数の子を持つことができ、その親自体が別の親の子になることもあります。このノートブックでは、完全な会話をログする機能を提供するために、親の識別子として conversation_id を、子の識別子として turn_index を使用します。ご自身のデータセット、ファイルパス、および Weights & Biases project に合わせて、以下のセクションの変数を変更する必要があります。

環境を設定する

必要なパッケージをすべてインストールしてインポートします。 wandb.login() でログインできるように、環境変数 WANDB_API_KEY を設定します (Colab ではシークレットとして登録してください) 。 Colab にアップロードするファイルの名前を name_of_file に、ログする先の Weights & Biases の project を name_of_wandb_project に設定します。

name_of_wandb_project を [TEAM_NAME]/[PROJECT_NAME] の形式で指定すると、トレースをログする先のチームも指定できます。

次に、weave.init() を呼び出して Weave クライアントを取得します。

%pip install wandb weave pandas datetime --quiet
python
import os

import pandas as pd
import wandb
from google.colab import userdata

import weave

## サンプルファイルをディスクに書き込む
with open("/content/import_cookbook_data.csv", "w") as f:
    f.write(
        "conversation_id,turn_index,start_time,user_input,ground_truth,answer_text\n"
    )
    f.write(
        '1234,1,2024-09-04 13:05:39,This is the beginning, ["This was the beginning"], That was the beginning\n'
    )
    f.write(
        "1235,1,2024-09-04 13:02:11,This is another trace,, That was another trace\n"
    )
    f.write(
        "1235,2,2024-09-04 13:04:19,This is the next turn,, That was the next turn\n"
    )
    f.write(
        "1236,1,2024-09-04 13:02:10,This is a 3 turn conversation,, Woah thats a lot of turns\n"
    )
    f.write(
        '1236,2,2024-09-04 13:02:30,This is the second turn, ["That was definitely the second turn"], You are correct\n'
    )
    f.write("1236,3,2024-09-04 13:02:53,This is the end,, Well good riddance!\n")

os.environ["WANDB_API_KEY"] = userdata.get("WANDB_API_KEY")
name_of_file = "/content/import_cookbook_data.csv"
name_of_wandb_project = "import-weave-traces-cookbook"

wandb.login()
python
weave_client = weave.init(name_of_wandb_project)

データを読み込む

環境の準備ができたら、CSV データを読み込み、Weave が想定する親子構造に合わせて整形します。データを pandas DataFrame に読み込み、conversation_id と turn_index で並べ替えて、親と子が正しい順序で並ぶようにします。その結果、会話のターンが conversation_data 列に配列として格納された、2 列の pandas DataFrame が得られます。

## データを読み込んで整形する
df = pd.read_csv(name_of_file)

sorted_df = df.sort_values(["conversation_id", "turn_index"])

# 会話ごとに辞書の配列を作成する関数
def create_conversation_dict_array(group):
    return group.drop("conversation_id", axis=1).to_dict("records")

# DataFrame を conversation_id でグループ化し、集約を適用する
result_df = (
    sorted_df.groupby("conversation_id")
    .apply(create_conversation_dict_array)
    .reset_index()
)
result_df.columns = ["conversation_id", "conversation_data"]

# 集約結果を確認する
result_df.head()

トレースを Weave にログする

データを会話とターンに整形したら、次のステップでは、それらのレコードを親 Call と子 Call として Weave に書き込みます。 pandas データフレームを反復処理します。

conversation_id ごとに親 Call を作成します。
ターンの配列を反復処理して、turn_index 順に並べた子 Call を作成します。

低レベルの Python API の重要な概念：

Weave の Call は Weave のトレースに相当します。この Call には親や子を関連付けることができます。
Weave の Call には、フィードバックやメタデータなども関連付けることができます。この例では入力と出力のみを関連付けますが、データにこれらの項目が含まれていれば、インポート時に追加できます。
Weave の Call はリアルタイムで追跡することを想定しているため、created と finished の状態を持ちます。今回は事後のインポートなので、オブジェクトを定義して相互に関連付けた後に、作成と終了を行います。
Call の op 値は、同じ構成の Call を Weave が分類するために使用します。この例では、すべての親 Call は Conversation タイプ、すべての子 Call は Turn タイプです。必要に応じて変更できます。
Call は inputs と output を持つことができます。inputs は作成時に定義し、output は Call の終了時に定義します。

# Weave にトレースをログします

# 集計した会話を反復処理します
for _, row in result_df.iterrows():
    # 会話の親を定義します。
    # 先ほど定義した weave_client で「call」を作成します
    parent_call = weave_client.create_call(
        # Op 値によって Weave Op として登録され、後でまとめて簡単に取得できるようになります
        op="Conversation",
        # 上位の会話の入力に、その配下のすべてのターンを設定します
        inputs={
            "conversation_data": row["conversation_data"][:-1]
            if len(row["conversation_data"]) > 1
            else row["conversation_data"]
        },
        # Conversation の親には、さらに上位の親はありません
        parent=None,
        # この会話の UI での表示名
        display_name=f"conversation-{row['conversation_id']}",
    )

    # 親の出力に、会話の最後のトレースを設定します
    parent_output = row["conversation_data"][len(row["conversation_data"]) - 1]

    # 親の会話のすべてのターンを反復処理し、
    # 会話の子としてログします
    for item in row["conversation_data"]:
        item_id = f"{row['conversation_id']}-{item['turn_index']}"

        # ここでも call を作成し、会話の配下に分類します
        call = weave_client.create_call(
            # 会話の単一のトレースを「Turn」として分類します
            op="Turn",
            # RAG の 'ground_truth' を含む、ターンのすべての入力を指定します
            inputs={
                "turn_index": item["turn_index"],
                "start_time": item["start_time"],
                "user_input": item["user_input"],
                "ground_truth": item["ground_truth"],
            },
            # 定義した親の子として設定します
            parent=parent_call,
            # Weave で識別するための名を指定します
            display_name=item_id,
        )

        # call の出力に回答を設定します
        output = {
            "answer_text": item["answer_text"],
        }

        # すでに発生したトレースなので、単一ターンの call を終了します
        weave_client.finish_call(call=call, output=output)
    # すべての子をログしたので、親の call も終了します
    weave_client.finish_call(call=parent_call, output=parent_output)

結果: Weave にログされたトレース

これで、CSV データが Weave にインポートされました。Weights & Biases UI で、定義した Conversation および Turn オペレーションごとにまとめられた会話とそのターンを閲覧できます。トレース:

オペレーション:

オプション: トレースをエクスポートして評価を実行する

トレースが Weave に保存され、会話の内容を把握したら、別のプロセスにエクスポートして Weave Evaluations を実行できます。

これを行うには、クエリ API を通じて W&B からすべての会話を取得し、それらからデータセットを作成します。

## このセルはデフォルトでは実行されません。このスクリプトを実行するには、次の行をコメントアウトしてください
%%script false --no-raise-error
## 評価用にすべての Conversation トレースを取得し、評価用データセットを準備します

# すべての Conversation オブジェクトを取得するクエリフィルターを作成します
# 以下の ref はご自身の project 固有のものです。取得するには、
# UI で project の オペレーション を開き、"Conversations" オブジェクトを
# クリックしてから、サイドパネルの "Use" タブをクリックしてください。
weave_ref_for_conversation_op = "weave://wandb-smle/import-weave-traces-cookbook/op/Conversation:tzUhDyzVm5bqQsuqh5RT4axEXSosyLIYZn9zbRyenaw"
filter = weave.trace_server.trace_server_interface.CallsFilter(
    op_names=[weave_ref_for_conversation_op],
  )

# クエリを実行します
conversation_traces = weave_client.get_calls(filter=filter)

rows = []

# 会話のトレースを順に処理し、データセットの行を構築します
for single_conv in conversation_traces:
  # この例では、RAG パイプラインを使用した会話のみを対象とするため、
  # そのタイプの会話をフィルターで抽出します
  is_rag = False
  for single_trace in single_conv.inputs['conversation_data']:
    if single_trace['ground_truth'] is not None:
      is_rag = True
      break
  if single_conv.output['ground_truth'] is not None:
      is_rag = True

  # RAG を使用した会話を特定したら、データセットに追加します
  if is_rag:
    inputs = []
    ground_truths = []
    answers = []

    # 会話のすべてのターンを順に処理します
    for turn in single_conv.inputs['conversation_data']:
      inputs.append(turn.get('user_input', ''))
      ground_truths.append(turn.get('ground_truth', ''))
      answers.append(turn.get('answer_text', ''))
    ## 会話が単一のターンである場合を考慮します
    if len(single_conv.inputs) != 1 or single_conv.inputs['conversation_data'][0].get('turn_index') != single_conv.output.get('turn_index'):
      inputs.append(single_conv.output.get('user_input', ''))
      ground_truths.append(single_conv.output.get('ground_truth', ''))
      answers.append(single_conv.output.get('answer_text', ''))

    data = {
        'question': inputs,
        'contexts': ground_truths,
        'answer': answers
    }

    rows.append(data)

# データセットの行を作成したら、Dataset オブジェクトを作成し、
# 後で取得できるように Weave にパブリッシュします
dset = weave.Dataset(name = "conv_traces_for_eval", rows=rows)
weave.publish(dset)

結果

エクスポートしたデータセットが Weave にパブリッシュされ、評価の入力として使用する準備が整いました。

Weights & Biases UI に表示されたパブリッシュ済みのデータセット。評価に使用する準備が整っています

評価の詳細については、新しく作成したデータセットを使用して RAG アプリケーションを評価する方法を説明したクイックスタートを参照してください。

​サードパーティシステムからのトレースのインポート

​環境を設定する

​データを読み込む

​トレースを Weave にログする

​結果: Weave にログされたトレース

​オプション: トレースをエクスポートして評価を実行する

​結果

サードパーティシステムからのトレースのインポート

環境を設定する

データを読み込む

トレースを Weave にログする

結果: Weave にログされたトレース

オプション: トレースをエクスポートして評価を実行する

結果