Maud Nalpas
Alexandra Klepper
您已完成有关 AI 评估的课程。您已将现有的 Web 测试知识映射到大语言模型世界，创建了基于规则的单元测试，构建并测试了判断模型，并连接了测试流水线。
我们的行业关注氛围和 LLM 非确定性。实际上，如果您曾经构建过需要在各种浏览器、设备和屏幕尺寸上完美运行的 Web 应用，那么您已经为此做好了准备。一个输入导致多种可能的行为、您无法完全控制的环境，以及臭名昭著的“在我的机器上运行正常”。
解决方案是测试。评估正是如此：针对 AI 功能的测试。Web 测试让您有信心在各种浏览器环境中发布，而评估则为您的 AI 功能提供同样的功能。构建评估，然后发布！
在深入了解之前，请花点时间问自己几个关键问题：什么导致输出“不良”？定义失败情况。深入了解您的数据，并与领域专家密切合作。 什么导致输出“良好”而非“理想”？在要求模型对其进行评分之前，请明确定义您的预期。 您多久运行一次评估？评估驱动型开发是您可以采用的一种方法，但请为应用部署后评估的频率设定预期。
AI 领域发展迅速，构建完整的流水线可能会让人感到不知所措。从小处着手：编写一个基于规则的测试，并构建一个基本的 LLM 判断。建立基准后，您就不再猜测，并重新获得工程师的权力。您跨越了从有趣的内部原型到强大的功能的差距，您可以自信地测试、衡量和发布该功能。 请记住，由人类构建的评估会受到人类缺陷的影响。偏见是内置的。部署对模型和评估的定期审核，以解决偏见问题。
按照本课程构建您的第一个测试，查看配套代码，然后开始测试。分享您所学到的知识：您是如何运行评估的？请通过 @ChromiumDev 与我们联系，在 BlueSky 上与我们分享，或与 Web.dev AI Team 安排一对一的办公时间。