평가 & 배포 — MLflow 기반 평가

이 문서는 Agent Bricks 섹션의 일부입니다.

​

MLflow 기반 평가

​

MLflow Tracing으로 에이전트 동작 추적

​

활성화 방법

1. 워크스페이스에서 Production Monitoring for MLflow 활성화
2. 에이전트 Build 탭에서 질문 입력 후 View Trace 클릭

​

Trace에서 확인할 수 있는 정보

참고 디버깅 팁: 에이전트가 엉뚱한 답변을 하면, Trace에서 Retrieval 단계를 먼저 확인하세요. 관련 없는 문서가 검색되고 있다면 Knowledge Source의 Content Description을 조정해야 합니다.

​

AI Judge (LLM-as-Judge) 설정

​

평가 메트릭

​

설정 방법

1. Examples 탭 에서 라벨링된 질문-답변 쌍 추가 (최소 20개 권장)
2. Evaluate 버튼 클릭
3. 각 메트릭별 점수와 세부 피드백 확인
4. 점수가 낮은 항목의 Trace를 분석하여 원인 파악

​

Synthetic Task Generation — 자동 평가 데이터셋 생성

​

사용 방법

1. Examples 탭에서 Generate synthetic tasks 클릭
2. Knowledge Source 기반으로 다양한 질문이 자동 생성됨
3. 생성된 질문을 검토하고 필요에 따라 수정
4. AI Judge로 자동 평가 실행

주의 주의: Synthetic Task는 출발점일 뿐입니다. 반드시 도메인 전문가(SME)가 생성된 질문의 품질을 검토하고, 실제 사용자 질문 패턴을 반영하여 보완해야 합니다.

​

평가 데이터셋 관리

• 생성된 데이터셋은 Unity Catalog 테이블 로 Export하여 버전 관리
• 여러 버전의 에이전트를 동일한 데이터셋으로 비교 평가
• 프로덕션에서 수집된 사용자 질문을 Import하여 데이터셋 보강

​

평가 워크플로우

1. 에이전트 생성 후 Build 탭에서 수동 테스트 (5~10개 질문)
    ↓
2. AI Playground에서 View Trace로 실행 과정 확인
    ↓
3. Examples 탭에서 라벨링된 질문/가이드라인 추가 (20개 이상)
    ↓
4. Synthetic Task Generation으로 테스트 질문 자동 생성 (50개 이상)
    ↓
5. AI Judge로 전체 평가 실행 → 메트릭 점수 확인
    ↓
6. SME에게 공유 링크 전달 → 전문가 피드백 수집
    ↓
7. 가이드라인/Knowledge Source 조정 → 재테스트 → 반복
    ↓
8. 목표 점수 달성 시 배포 진행

​

프로덕션 모니터링 포인트

참고 알림 설정: Databricks SQL Alert 또는 외부 모니터링 도구(Datadog, PagerDuty 등)와 연동하여 임계값 초과 시 자동 알림을 받도록 설정하세요.

​

배포 절차: Review App → Model Serving → REST API

​

Step 1: Review App으로 SME 검증

1. 에이전트 설정 페이지에서 Share 클릭
2. 공유 링크를 도메인 전문가에게 전달
3. SME가 직접 질문하고 피드백 제출
4. 피드백을 반영하여 에이전트 개선

​

Step 2: Model Serving 엔드포인트 배포

1. 에이전트 페이지에서 Deploy 클릭
2. 엔드포인트 이름, 컴퓨트 사이즈 설정
3. 배포 완료 후 엔드포인트 상태가 Ready인지 확인

​

Step 3: REST API로 연동

curl -X POST \
  https://<workspace-url>/serving-endpoints/<endpoint-name>/invocations \
  -H "Authorization: Bearer <token>" \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "이번 달 매출 현황 알려줘"}
    ]
  }'

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

response = w.serving_endpoints.query(
    name="<endpoint-name>",
    messages=[
        {"role": "user", "content": "이번 달 매출 현황 알려줘"}
    ]
)

print(response.choices[0].message.content)