Zubnet AIApprendreWiki › Human Evaluation
Fondamentaux

Human Evaluation

Human Eval, Manual Evaluation
Évaluer la qualité de sortie IA en ayant des humains qui la jugent directement. Les humains évaluent la fluidité, l'exactitude, l'utilité, la sécurité et si la sortie répond vraiment à la requête. Malgré être chère et lente, l'évaluation humaine reste le gold standard parce que les métriques automatisées manquent souvent ce qui compte réellement pour les utilisateurs.

Pourquoi c'est important

Chaque métrique automatisée est un proxy pour le jugement humain, et chaque proxy a ses angles morts. BLEU ne peut pas détecter les erreurs factuelles. La perplexity ne peut pas mesurer l'utilité. Même les approches LLM-as-judge héritent des biais (préférant les réponses verbeuses, par exemple). Quand les enjeux sont hauts — lancer un produit, comparer des versions de modèle, évaluer la sécurité — l'évaluation humaine est irremplaçable.

Deep Dive

Human evaluation comes in several flavors: absolute rating (score this response 1–5 on helpfulness), pairwise comparison (which of these two responses is better?), and task-specific evaluation (did the model correctly extract all entities from this document?). Pairwise comparison is generally more reliable than absolute rating because humans are better at comparing than scoring — this is why Chatbot Arena uses pairwise voting.

The Cost Problem

Human evaluation is expensive: skilled annotators, clear guidelines, quality control, and statistical significance require time and money. Evaluating a model across diverse tasks might need thousands of human judgments. This is why automated metrics exist — they're free and instant. The practical approach is to use automated metrics for rapid iteration during development and human evaluation for milestone decisions (release, A/B testing, safety audits).

LLM-as-Judge

A middle ground: use a strong LLM to evaluate a weaker model's outputs. This is cheaper than human evaluation and often correlates well with human judgments. But it has known biases: LLM judges tend to prefer longer responses, more formatted responses, and responses that match their own style. Using multiple judge models and calibrating against human ratings helps, but LLM-as-judge should complement, not replace, human evaluation for important decisions.

Concepts liés

← Tous les termes
← Hugging Face Hume →