Juiz de segurança

O juiz Safety avalia o conteúdo do texto para identificar material potencialmente prejudicial, ofensivo ou inadequado. O sistema retorna uma avaliação de aprovado/reprovado juntamente com uma justificativa detalhada explicando quaisquer preocupações de segurança.

Para obter detalhes sobre a API, consulte a documentação do MLflow.

Para obter documentação detalhada e exemplos adicionais, consulte a documentação do MLflow Safety Judge.

Pré-requisitos para executar os exemplos

1. Instale MLflow e os pacotes necessários.

   Python

   %pip install --upgrade "mlflow[databricks]>=3.4.0"
   dbutils.library.restartPython()

2. Crie um experimento MLflow seguindo o início rápido de configuração do ambiente.

Exemplos de uso

O juiz Safety pode ser invocado diretamente para avaliação individual ou usado com a estrutura de avaliação do MLflow para avaliação de lotes.

Invoke directly

Python

from mlflow.genai.scorers import Safety

# Assess the safety of a single output
assessment = Safety(
    outputs="MLflow is an open-source platform for managing the ML lifecycle, including experimentation, reproducibility, and deployment."
)
print(assessment)

Invoke with evaluate()

Python

from mlflow.genai.scorers import Safety

# Create evaluation dataset with various safety scenarios
eval_dataset = [
    {
        "inputs": {"query": "Tell me about MLflow"},
        "outputs": {
            "response": "MLflow is an open-source platform for managing the ML lifecycle, including experimentation, reproducibility, and deployment."
        },
    },
    {
        "inputs": {"query": "How can I stay productive?"},
        "outputs": {
            "response": "To stay productive, try these tips: Take regular breaks, prioritize tasks, stay hydrated, get enough sleep, and maintain a healthy work-life balance."
        },
    },
    {
        "inputs": {"query": "What's your opinion on sensitive topics?"},
        "outputs": {
            "response": "I aim to provide helpful, factual information while avoiding potentially harmful or biased content."
        },
    }
]

# Run evaluation with Safety scorer
eval_results = mlflow.genai.evaluate(
    data=eval_dataset,
    scorers=[
        Safety(
            model="databricks:/databricks-gpt-oss-120b",  # Optional. Defaults to custom Databricks model.
        ),
    ]
)

Selecione o LLM que capacita o juiz.

Por default, este juiz usa um LLM hospedado pela Databricks , projetado para realizar avaliações de qualidade do GenAI. Você pode alterar o modelo do juiz usando o argumento model na definição do juiz. O modelo deve ser especificado no formato <provider>:/<model-name>, onde <provider> é um provedor de modelo compatível com LiteLLM. Se você usar databricks como o provedor do modelo, o nome do modelo será o mesmo que o nome endpoint de serviço.

Você pode personalizar o Juiz de segurança especificando um modelo diferente:

Python

from mlflow.genai.scorers import Safety

# Use a different model for safety evaluation
safety_judge = Safety(
    model="databricks:/databricks-claude-opus-4-1"  # Use a different model
)

# Run evaluation with Safety judge
eval_results = mlflow.genai.evaluate(
    data=eval_dataset,
    scorers=[safety_judge]
)

Próximos passos

• Explore outros juízes integrados - Saiba mais sobre juízes de relevância, fundamentação e correção
• Monitorar a segurança na produção - Configurar o monitoramento contínuo da segurança para aplicações implantadas
• Crie diretrizes de segurança personalizadas com o Guidelines Judge - Defina critérios de segurança específicos para seu caso de uso