ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md

RAG Evaluation Metrics and Frameworks

Last updated: 2026-06-24 Status: GA (Azure AI Evaluation SDK), Preview (agentic evaluators, Groundedness Pro) Category: RAG Architecture & Semantic Search Type: reference Source: https://learn.microsoft.com/azure/foundry/concepts/observability

---

Innhold

• Introduksjon
• Kjernekomponenter
• Arkitekturmønstre
• Beslutningsveiledning
• Verktøy og SDKer
• Integrasjon med Microsoft-stakken
• Offentlig sektor (Norge)
• Kostnad og lisensiering
• For arkitekten
• Kilder og verifisering

Introduksjon

Evaluering av RAG-systemer er en av de mest undervurderte fasene i enterprise AI-utvikling. Uten systematisk evaluering er det umulig å vite om endringer i chunking, embedding, retrieval eller prompting faktisk forbedrer kvaliteten. Microsoft Foundry tilbyr et komplett evaluerings-rammeverk med 30+ innebygde evaluatorer, LLM-as-judge, human evaluation, og integrasjon med MLflow for produksjonsovervåking.

RAG-evaluering dekker to distinkte dimensjoner: retrieval quality (fant vi de riktige dokumentene?) og generation quality (genererte LLM-en et godt svar basert på dokumentene?). Azure AI Evaluation SDK operasjonaliserer dette med spesialiserte evaluatorer for groundedness, relevance, completeness, utilization og mer — tilgjengelig som Python-pakke (azure-ai-evaluation).

Et kritisk poeng for offentlig sektor: LLM-judges bruker EU-hostede modeller for EU/EØS-arbeidsområder, noe som sikrer datasuverenitet i evalueringsprosessen.

Kjernekomponenter

Retrieval-metrikker

Metrikk	Hva den måler	Optimal bruk
Precision@K	Andel relevante dokumenter blant topp K resultater	Evaluere presisjon i retrieval
Recall@K	Andel av alle relevante dokumenter funnet i topp K	Evaluere dekning
MRR (Mean Reciprocal Rank)	Gjennomsnittlig invers rang av første relevante resultat	Evaluere rangering
NDCG (Normalized Discounted Cumulative Gain)	Evaluerer ranking-kvalitet sammenlignet med ideell rekkefølge	Evaluere ranking med gradert relevans
MAP (Mean Average Precision)	Gjennomsnittlig presisjon over alle relevante dokumenter	Overordnet retrieval-kvalitet

Genererings-metrikker

RAG-spesifikke evaluatorer (Azure AI)

Evaluator	Hva den måler	Metode
GroundednessEvaluator	Er svaret basert på konteksten?	LLM-judge
GroundednessProEvaluator	Forbedret groundedness med Content Safety	Azure AI Content Safety
RelevanceEvaluator	Er svaret relevant for spørsmålet?	LLM-judge
ResponseCompletenessEvaluator	Svarer svaret på alle deler av spørsmålet?	LLM-judge
RetrievalEvaluator	Kvalitet på hentede dokumenter	LLM-judge
DocumentRetrievalEvaluator	Dokumentnivå retrieval-kvalitet	LLM-judge

Tekstuell likhet

Evaluator	Hva den måler
SimilarityEvaluator	Semantisk likhet (cosine på embeddings)
F1ScoreEvaluator	Vektet gjennomsnitt av precision og recall
BleuScoreEvaluator	N-gram presisjon for maskinoversettelse
RougeScoreEvaluator	N-gram overlap for summarisering
MeteorScoreEvaluator	Eksakt match, stemming, synonymer

Generell kvalitet

Evaluator	Hva den måler
CoherenceEvaluator	Logisk flyt og struktur
FluencyEvaluator	Språklig kvalitet

Agentic evaluatorer (Preview)

Evaluator	Hva den måler
IntentResolutionEvaluator	Forstod agenten brukerens intensjon?
ToolCallAccuracyEvaluator	Kalte agenten riktige verktøy?
TaskAdherenceEvaluator	Fulgte agenten oppgaveinstruksjonene?

Evaluerings-metoder

Metode	Kostnad	Pålitelighet	Bruk
Deterministisk	Lav	Høy (for målbare ting)	Latency, token-bruk, presisjon
LLM-as-Judge	Medium	God (krever tuning)	Groundedness, relevans, koherens
Human Evaluation	Høy	Høyest	Domene-spesifikk kvalitet, edge cases
Automatisert harness	Lav-medium	Varierer	Batch-evaluering, CI/CD

Arkitekturmønstre

Mønster 1: Offline evaluering i utviklingsfasen

Flyt: Test-datasett → RAG-pipeline → Resultater → Azure AI Evaluation SDK → Metrics-rapport

from azure.ai.evaluation import evaluate, GroundednessEvaluator, RelevanceEvaluator

model_config = {
    "azure_endpoint": os.environ["AZURE_OPENAI_ENDPOINT"],
    "api_key": os.environ["AZURE_OPENAI_KEY"],
    "azure_deployment": os.environ["AZURE_OPENAI_DEPLOYMENT"],
}

result = evaluate(
    data="test_data.jsonl",
    evaluators={
        "groundedness": GroundednessEvaluator(model_config),
        "relevance": RelevanceEvaluator(model_config),
    },
    evaluator_config={
        "default": {
            "column_mapping": {
                "query": "${data.query}",
                "context": "${data.context}",
                "response": "${data.response}"
            }
        }
    },
    output_path="./evaluation_results.json"
)

print(result["metrics"])

Fordeler:

• Systematisk, reproduserbar evaluering
• Kan kjøres i CI/CD
• Støtter batch-prosessering

Ulemper:

• Krever test-datasett
• LLM-judge-kostnader kan akkumulere
• Offline — fanger ikke produksjonsproblemer

Mønster 2: Online evaluering med MLflow tracing

Flyt: Produksjons-RAG → MLflow trace spans → Metrikksamling → Dashboard → Alerting

import mlflow
from mlflow.entities import Document, SpanType

@mlflow.trace(span_type=SpanType.RETRIEVER)
def retrieve_docs(query: str):
    return [
        Document(
            page_content="Relevant innhold...",
            metadata={"source": "veileder.pdf", "relevance_score": 0.95}
        )
    ]

@mlflow.trace(span_type=SpanType.CHAT_MODEL)
def generate_answer(question: str, documents: list):
    # LLM-kall med kontekst
    return "Generert svar..."

@mlflow.trace(span_type=SpanType.CHAIN)
def rag_pipeline(question: str):
    docs = retrieve_docs(question)
    response = generate_answer(question, docs)
    return {"answer": response, "sources": [d.metadata for d in docs]}

Fordeler:

• Real-time observerbarhet
• Fanger produksjonsmønstre
• Integrert med Azure ML

Ulemper:

• Overhead fra tracing
• Krever infrastruktur for metrikksamling
• Mer kompleks oppsett

Mønster 3: Human-in-the-loop evaluering

Flyt: RAG-output → Review App → Domeneekspert-vurdering → Feedback-logging → Modellforbedering

Bruk mlflow.log_feedback() med AssessmentSourceType.HUMAN for å logge menneskelig evaluering.

Fordeler:

• Høyest kvalitet evaluering
• Fanger domene-spesifikke nyanser
• Bygger ground truth-datasett over tid

Ulemper:

• Skalerer dårlig
• Subjektivt
• Kostbart (arbeidstid)

Beslutningsveiledning

Evalueringsrammeverk-valg

Scenario	Anbefalt verktøy	Begrunnelse
Azure-natve RAG	Azure AI Evaluation SDK	Best integrasjon, 30+ evaluatorer
Databricks-basert	MLflow 3	Native integration, Mosaic AI
Eksperimentering	RAG Experiment Accelerator	CLI-basert, hyperparameter-tuning
Produksjon	MLflow + Azure Monitor	Tracing + alerting
CI/CD	Azure AI Evaluation SDK	Batch-evaluering i pipeline

Metrikkombinations-strategi

Mål	Metrikker å kombinere	Hva det avdekker
Svarskvalitet	Groundedness + Correctness	Om systemet tolker kontekst riktig
Retrieval-effektivitet	Utilization + Completeness	Om retrieval-systemet henter nok
Transformasjonskvalitet	Groundedness + Utilization + Similarity	Om systemet bevarer sannhet under transformering
Overordnet RAG-helse	Alle + Coherence + Fluency	Helhetsvurdering

Vanlige feil

1. Evaluere kun generering, ikke retrieval — Dårlige svar skyldes ofte dårlig retrieval, ikke dårlig generering
2. Bruke kun én metrikk — Groundedness alene forteller ingenting om completeness
3. Evaluere på for lite data — 50+ test-queries er minimum for pålitelige resultater
4. Glemme baseline — Uten baseline vet du ikke om forbedringene er reelle
5. Ignorere edge cases — Test med tomme resultater, irrelevante dokumenter, multilinguale queries

Røde flagg

• Groundedness < 70% → Alvorlig hallusinerings-problem
• Retrieval Precision@5 < 50% → Indeksering eller embedding-problemer
• Store avvik mellom LLM-judge og human evaluation → LLM-judge trenger kalibrering
• Fallende scores over tid → Data drift eller modellendringer

Verktøy og SDKer

Primær-verktøy

Verktøy	Installasjon	Bruk
Azure AI Evaluation SDK	pip install azure-ai-evaluation	Offline/batch evaluering
MLflow 3	pip install mlflow	Tracing + online evaluering
Prompt Flow ⚠️ (pensjoneres 2027-04-20 → MAF)	Via Microsoft Foundry	End-to-end utvikling

Spesialverktøy

Verktøy	Formål	Lenke
RAG Experiment Accelerator	Systematisk RAG-optimering	GitHub
Mosaic AI Agent Evaluation	Agentic-spesifikk evaluering	Azure Databricks
Azure AI Studio Portal	Visuell evaluering og testing	portal.azure.com

Token-budsjetter for evaluatorer

Evaluator	Token-budsjett
Standard evaluatorer	800 tokens
RetrievalEvaluator	1600 tokens
ToolCallAccuracyEvaluator	3000 tokens

Integrasjon med Microsoft-stakken

Tjeneste	Rolle i evaluering
Microsoft Foundry	Sentral evaluerings-plattform med portal og SDK
Azure OpenAI	Judge-modeller for LLM-basert evaluering
MLflow	Tracing, observerbarhet, human feedback
Azure Monitor	Alerting og dashboards for produksjonsmetrikker
Azure DevOps / GitHub Actions	CI/CD-integrasjon for automatisert evaluering
Azure AI Content Safety	Groundedness Pro-evaluering

Offentlig sektor (Norge)

Data residency for evaluering

• LLM-judges bruker EU-hostede modeller for EU/EØS-arbeidsområder
• US-hostede modeller for andre regioner
• Sikrer datasuverenitet i evalueringsprosessen
• Abuse monitoring kan opts ut av med godkjenning

Compliance-relatert evaluering

• AI Act: Krever dokumentert evaluering av AI-systemer
• Forvaltningsloven: Krav til kvalitetssikring av vedtaksgrunnlag
• GDPR: Evalueringsdata kan inneholde personopplysninger — håndtér med forsiktighet

Anbefalte metrikker for offentlig sektor

1. Groundedness (obligatorisk) — Svar skal være basert på verifiserbare kilder
2. Correctness — Spesielt viktig for juridisk/regelverk-rådgivning
3. Safety — Content Safety-evaluatorer for å sikre forsvarlig innhold
4. Completeness — Unngå ufullstendige svar på komplekse spørsmål

Kostnad og lisensiering

Evalueringskostnader

Komponent	Kostnad
Azure AI Evaluation SDK	Gratis (open source)
LLM-judge-kall	Azure OpenAI token-kostnad per evaluering
Groundedness Pro	Azure AI Content Safety-prising
MLflow	Gratis (open source), compute-kostnad for hosting
Human evaluation	Arbeidstid

Kostnadsoptimering

• Bruk gpt-4o-mini som judge-modell (billigere enn gpt-4o, tilstrekkelig kvalitet)
• Evaluer kun representative utvalg, ikke alle queries
• Kjør tunge evalueringer (Groundedness Pro) kun før releases
• Bruk deterministiske metrikker (F1, ROUGE) der det er tilstrekkelig

For arkitekten

Spørsmål å stille kunden

1. Har dere et test-datasett med spørsmål og forventede svar?
2. Hvilke kvalitetskrav har dere — groundedness, completeness, nøyaktighet?
3. Er det behov for kontinuerlig evaluering i produksjon, eller kun ved releases?
4. Hvem skal vurdere kvaliteten — domeneeksperter, utviklere, eller begge?
5. Har dere CI/CD der evaluering kan integreres?
6. Hva er budsjett for LLM-judge-kall i evaluering?
7. Trengs det compliance-dokumentasjon av evalueringsresultater?

Fallgruver

• Å evaluere kun med LLM-judges uten human validation — LLM-judges har egne bias
• Å optimere for én metrikk på bekostning av andre — groundedness uten completeness gir korte, ufullstendige svar
• Å ikke ha baseline — uten sammenligning er metrics meningsløse
• Å evaluere for sjelden — RAG-kvalitet kan degenerere over tid uten overvåking

Anbefalinger per modenhetsnivå

Nivå	Anbefaling
Starter	Groundedness + Relevance evaluering med Azure AI SDK, 50+ test-queries
Intermediær	Legg til MLflow tracing, CI/CD-integrasjon, multiple metrikker
Avansert	Produksjonsovervåking, human-in-the-loop, A/B-testing av RAG-konfigurasjoner

Kilder og verifisering

Verified (MCP-research)

• Azure AI Evaluation SDK
• RAG LLM Evaluation Phase
• RAG Solution Design Guide
• Built-in RAG Evaluators
• Microsoft Foundry Observability
• RAG Experiment Accelerator

Baseline (modellkunnskap)

• Metrikkbeskrivelser basert på IR-teori (MRR, NDCG, MAP)
• Kostnadsoptimerings-tips
• Modenhetsnivå-anbefalinger