Spaces:
Running
Running
File size: 26,833 Bytes
8c09e73 886eee7 8c09e73 080213f 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 eb284cf 8c09e73 eb284cf 8c09e73 eb284cf 8c09e73 eb284cf 8c09e73 886eee7 eb284cf 8c09e73 eb284cf 8c09e73 eb284cf 8c09e73 080213f 8c09e73 79a6139 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 8c09e73 886eee7 080213f 8c09e73 886eee7 8c09e73 eb284cf 886eee7 8c09e73 080213f 8c09e73 080213f 8c09e73 22f049b 8c09e73 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 |
from langchain_community.chat_models import ChatOllama
from app.document_processor import load_vector_store_from_supabase
from app.prompts import sahabat_prompt
from app.db import supabase
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
from langchain_community.llms import Replicate
import os, time, json, random, logging
from typing import List, Dict, Any, Tuple
from dataclasses import dataclass, asdict
import statistics
from datetime import datetime
from langsmith import traceable
from langsmith import Client
# Set up logging
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger(__name__)
@dataclass
class EvaluationResult:
question: str
answer: str
ground_truth: str
correctness_score: float
correctness_explanation: str
relevance_score: float
relevance_explanation: str
groundedness_score: float
groundedness_explanation: str
retrieval_score: float
retrieval_explanation: str
retrieved_docs: List[str]
response_time: float
timestamp: str
class PNPRAGEvaluator:
def __init__(self):
logger.info("Initializing PNP RAG Evaluator...")
# Load vector store
self.vector_store = load_vector_store_from_supabase(
supabase, "pnp-bot-storage-archive", "vector_store"
)
# Initialize Replicate LLM
self.llm = Replicate(
model="fauziisyrinapridal/sahabat-ai-v1:afb9fa89fe786362f619fd4fef34bd1f7a4a4da23073d8a6fbf54dcbe458f216",
model_kwargs={"temperature": 0.5, "top_p": 1, "max_new_tokens": 10000},
replicate_api_token=os.getenv("REPLICATE_API_TOKEN")
)
# self.llm = ChatOllama(
# model="llama3",
# temperature=0.1,
# max_tokens=10000,
# top_p=0.9
# )
# Initialize memory
self.memory = ConversationBufferMemory(
memory_key="chat_history",
return_messages=True,
output_key='answer'
)
# Initialize RAG chain
self.chain = ConversationalRetrievalChain.from_llm(
self.llm,
retriever=self.vector_store.as_retriever(search_kwargs={"k": 6}),
combine_docs_chain_kwargs={"prompt": sahabat_prompt},
return_source_documents=True,
memory=self.memory
)
# Initialize evaluator LLM
self.ollama_eval = ChatOllama(model="llama3", temperature=0.1)
logger.info("PNP RAG Evaluator initialized successfully!")
def ask(self, question: str) -> Dict[str, Any]:
"""Generate answer using RAG chain with error handling"""
start_time = time.time()
try:
result = self.chain({"question": question})
result['response_time'] = time.time() - start_time
logger.debug(f"RAG response generated in {result['response_time']:.2f}s")
return result
except Exception as e:
logger.error(f"Error in RAG generation for question '{question[:50]}...': {e}")
return {
'answer': f"Error generating response: {str(e)}",
'source_documents': [],
'response_time': time.time() - start_time
}
def evaluate_score(self, prompt: str, metric_name: str, max_retries: int = 3) -> Tuple[float, str]:
"""Evaluate with enhanced error handling and logging"""
for attempt in range(max_retries):
try:
logger.debug(f"Evaluating {metric_name} (attempt {attempt + 1})")
response = self.ollama_eval.invoke(prompt)
content = response.content if hasattr(response, 'content') else str(response)
# Enhanced parsing with multiple strategies
score, explanation = self._parse_evaluation_response(content)
if score is not None:
logger.debug(f"{metric_name} evaluation successful: {score:.3f}")
return score, explanation
logger.warning(f"Could not parse {metric_name} evaluation (attempt {attempt + 1})")
except Exception as e:
logger.warning(f"{metric_name} evaluation attempt {attempt + 1} failed: {e}")
if attempt == max_retries - 1:
return 0.0, f"Evaluation failed after {max_retries} attempts: {str(e)}"
time.sleep(1)
return 0.0, "Maximum retries exceeded"
def _parse_evaluation_response(self, content: str) -> Tuple[float, str]:
"""Enhanced parsing for evaluation responses"""
try:
# Strategy 1: Standard format
if "Skor:" in content and "Penjelasan:" in content:
score_section = content.split("Skor:")[1].split("Penjelasan:")[0].strip()
explanation_section = content.split("Penjelasan:")[1].strip()
# Extract numeric score
import re
score_match = re.search(r'(\d+\.?\d*)', score_section)
if score_match:
score = float(score_match.group(1))
# Handle scores > 1 (convert from 0-10 to 0-1 scale if needed)
if score > 1:
score = score / 10.0
return min(max(score, 0), 1), explanation_section
# Strategy 2: Look for score in any line
lines = content.split('\n')
for line in lines:
if any(keyword in line.lower() for keyword in ['skor', 'score']):
import re
score_match = re.search(r'(\d+\.?\d*)', line)
if score_match:
score = float(score_match.group(1))
if score > 1:
score = score / 10.0
return min(max(score, 0), 1), content
# Strategy 3: Look for decimal numbers in content
import re
numbers = re.findall(r'\b(0\.\d+|1\.0|1)\b', content)
if numbers:
score = float(numbers[0])
return min(max(score, 0), 1), content
return None, content
except Exception as e:
logger.error(f"Error parsing evaluation response: {e}")
return None, f"Parsing error: {str(e)}"
def create_evaluation_prompts(self, question: str, answer: str, ground_truth: str, docs_text: str) -> Dict[str, str]:
"""Create Indonesian evaluation prompts optimized for PNP context"""
return {
"correctness": f"""Evaluasi KEBENARAN jawaban tentang Politeknik Negeri Padang:
PERTANYAAN: {question}
JAWABAN REFERENSI (BENAR): {ground_truth}
JAWABAN YANG DIEVALUASI: {answer}
Berikan skor antara 0.00 (sepenuhnya salah) hingga 1.00 (sepenuhnya benar).
Pertimbangkan:
- Apakah fakta dalam jawaban sesuai dengan referensi?
- Apakah informasi yang diberikan akurat tentang PNP?
- Apakah ada kesalahan atau ketidaksesuaian data?
Format wajib:
Skor: <angka_desimal_antara_0_dan_1>
Penjelasan: <alasan_detail_mengapa_skor_tersebut>""",
"relevance": f"""Evaluasi RELEVANSI jawaban terhadap pertanyaan tentang PNP:
PERTANYAAN: {question}
JAWABAN: {answer}
Berikan skor antara 0.00 (tidak relevan sama sekali) hingga 1.00 (sangat relevan dan tepat sasaran).
Pertimbangkan:
- Apakah jawaban menjawab langsung pertanyaan yang diajukan?
- Apakah informasi yang diberikan sesuai dengan konteks PNP?
- Apakah jawaban fokus dan tidak keluar topik?
Format wajib:
Skor: <angka_desimal_antara_0_dan_1>
Penjelasan: <alasan_detail_mengapa_skor_tersebut>""",
"groundedness": f"""Evaluasi apakah jawaban BERDASAR pada dokumen yang tersedia:
DOKUMEN/KONTEKS:
{docs_text}
JAWABAN: {answer}
Berikan skor antara 0.00 (tidak berdasar pada dokumen) hingga 1.00 (sepenuhnya berdasar pada dokumen).
Pertimbangkan:
- Apakah klaim dalam jawaban didukung oleh dokumen?
- Apakah ada informasi yang dibuat-buat atau tidak ada di dokumen?
- Apakah jawaban konsisten dengan fakta dalam dokumen?
Format wajib:
Skor: <angka_desimal_antara_0_dan_1>
Penjelasan: <alasan_detail_mengapa_skor_tersebut>""",
"retrieval": f"""Evaluasi KUALITAS PENGAMBILAN dokumen untuk menjawab pertanyaan:
PERTANYAAN: {question}
DOKUMEN YANG DIAMBIL:
{docs_text}
Berikan skor antara 0.00 (dokumen tidak relevan) hingga 1.00 (dokumen sangat relevan dan lengkap).
Pertimbangkan:
- Apakah dokumen mengandung informasi yang dibutuhkan untuk menjawab pertanyaan?
- Apakah ada informasi penting yang tidak terambil?
- Apakah dokumen yang diambil sesuai dengan topik pertanyaan?
Format wajib:
Skor: <angka_desimal_antara_0_dan_1>
Penjelasan: <alasan_detail_mengapa_skor_tersebut>"""
}
def evaluate_single_item(self, item: Dict[str, Any], index: int, total: int) -> EvaluationResult:
"""Evaluate a single question-answer pair with progress tracking"""
question = item["question"]
ground_truth = item["ground_truth"]
logger.info(f"[{index}/{total}] Evaluating: {question[:60]}...")
# Generate RAG response
rag_output = self.ask(question)
answer = rag_output['answer']
docs = rag_output.get('source_documents', [])
response_time = rag_output.get('response_time', 0)
# Prepare documents text
docs_text = "\n\n".join([
f"Dokumen {i+1}:\n{doc.page_content[:500]}{'...' if len(doc.page_content) > 500 else ''}"
for i, doc in enumerate(docs)
])
# Create evaluation prompts
prompts = self.create_evaluation_prompts(question, answer, ground_truth, docs_text)
# Run evaluations with progress logging
logger.debug(f"Evaluating correctness...")
correctness_score, correctness_exp = self.evaluate_score(prompts["correctness"], "correctness")
logger.debug(f"Evaluating relevance...")
relevance_score, relevance_exp = self.evaluate_score(prompts["relevance"], "relevance")
logger.debug(f"Evaluating groundedness...")
groundedness_score, groundedness_exp = self.evaluate_score(prompts["groundedness"], "groundedness")
logger.debug(f"Evaluating retrieval...")
retrieval_score, retrieval_exp = self.evaluate_score(prompts["retrieval"], "retrieval")
result = EvaluationResult(
question=question,
answer=answer,
ground_truth=ground_truth,
correctness_score=correctness_score,
correctness_explanation=correctness_exp,
relevance_score=relevance_score,
relevance_explanation=relevance_exp,
groundedness_score=groundedness_score,
groundedness_explanation=groundedness_exp,
retrieval_score=retrieval_score,
retrieval_explanation=retrieval_exp,
retrieved_docs=[doc.page_content for doc in docs],
response_time=response_time,
timestamp=datetime.now().isoformat()
)
logger.info(f"[{index}/{total}] Scores - C:{correctness_score:.3f} R:{relevance_score:.3f} G:{groundedness_score:.3f} Ret:{retrieval_score:.3f}")
return result
@traceable(name="Evaluasi RAG Sahabat-AI",)
def run_evaluation(self, dataset: List[Dict[str, Any]],
save_path: str = "pnp_evaluation_results.json") -> Dict[str, Any]:
"""Run evaluation on PNP dataset"""
results = []
total_items = len(dataset)
start_time = time.time()
logger.info(f"Starting PNP RAG evaluation of {total_items} items...")
logger.info(f"Results will be saved to: {save_path}")
for i, item in enumerate(dataset, 1):
try:
result = self.evaluate_single_item(item, i, total_items)
results.append(result)
# Save intermediate results every 5 items
if i % 2 == 0:
self._save_intermediate_results(results, save_path, i, total_items)
# Add delay to avoid rate limiting
delay = random.uniform(2, 4)
logger.debug(f"Waiting {delay:.1f}s before next evaluation...")
time.sleep(delay)
except Exception as e:
logger.error(f"Error evaluating item {i}: {e}")
continue
# Calculate final statistics
summary = self.calculate_summary_stats(results)
summary['evaluation_time'] = time.time() - start_time
summary['timestamp'] = datetime.now().isoformat()
# Save final results
self.save_results(results, summary, save_path)
logger.info(f"PNP RAG evaluation completed in {summary['evaluation_time']:.1f}s!")
self._print_summary(summary)
return {"results": results, "summary": summary}
def _save_intermediate_results(self, results: List[EvaluationResult], save_path: str, current: int, total: int):
"""Save intermediate results during evaluation"""
intermediate_path = save_path.replace('.json', f'_intermediate_{current}of{total}.json')
partial_summary = self.calculate_summary_stats(results)
self.save_results(results, partial_summary, intermediate_path)
logger.info(f"Intermediate results saved ({current}/{total}): {intermediate_path}")
def calculate_summary_stats(self, results: List[EvaluationResult]) -> Dict[str, Any]:
"""Calculate comprehensive summary statistics"""
if not results:
return {"error": "No results to analyze"}
def safe_stats(scores):
if not scores:
return {"mean": 0, "median": 0, "std": 0, "min": 0, "max": 0}
return {
"mean": statistics.mean(scores),
"median": statistics.median(scores),
"std": statistics.stdev(scores) if len(scores) > 1 else 0,
"min": min(scores),
"max": max(scores)
}
correctness_scores = [r.correctness_score for r in results]
relevance_scores = [r.relevance_score for r in results]
groundedness_scores = [r.groundedness_score for r in results]
retrieval_scores = [r.retrieval_score for r in results]
response_times = [r.response_time for r in results]
# Overall performance score (weighted average)
overall_scores = [
(r.correctness_score * 0.3 +
r.relevance_score * 0.25 +
r.groundedness_score * 0.25 +
r.retrieval_score * 0.2)
for r in results
]
return {
"total_evaluations": len(results),
"correctness": safe_stats(correctness_scores),
"relevance": safe_stats(relevance_scores),
"groundedness": safe_stats(groundedness_scores),
"retrieval": safe_stats(retrieval_scores),
"overall_performance": safe_stats(overall_scores),
"performance_metrics": {
"avg_response_time": statistics.mean(response_times),
"median_response_time": statistics.median(response_times),
"total_response_time": sum(response_times),
"fastest_response": min(response_times),
"slowest_response": max(response_times)
},
"score_distribution": {
"excellent_count": len([s for s in overall_scores if s >= 0.8]),
"good_count": len([s for s in overall_scores if 0.6 <= s < 0.8]),
"fair_count": len([s for s in overall_scores if 0.4 <= s < 0.6]),
"poor_count": len([s for s in overall_scores if s < 0.4])
}
}
def save_results(self, results: List[EvaluationResult], summary: Dict[str, Any], save_path: str):
"""Save evaluation results with enhanced formatting"""
output = {
"metadata": {
"evaluation_system": "PNP RAG Evaluator",
"dataset": "Politeknik Negeri Padang Q&A",
"model": "fauziisyrinapridal/sahabat-ai-v1:latest",
"evaluator": "llama3",
"timestamp": datetime.now().isoformat()
},
"summary": summary,
"detailed_results": [
{
"id": i + 1,
"question": r.question,
"answer": r.answer,
"ground_truth": r.ground_truth,
"scores": {
"correctness": round(r.correctness_score, 3),
"relevance": round(r.relevance_score, 3),
"groundedness": round(r.groundedness_score, 3),
"retrieval": round(r.retrieval_score, 3),
"overall": round((r.correctness_score * 0.3 +
r.relevance_score * 0.25 +
r.groundedness_score * 0.25 +
r.retrieval_score * 0.2), 3)
},
"explanations": {
"correctness": r.correctness_explanation,
"relevance": r.relevance_explanation,
"groundedness": r.groundedness_explanation,
"retrieval": r.retrieval_explanation
},
"metrics": {
"response_time": round(r.response_time, 2),
"retrieved_docs_count": len(r.retrieved_docs),
"timestamp": r.timestamp
}
}
for i, r in enumerate(results)
]
}
with open(save_path, 'w', encoding='utf-8') as f:
json.dump(output, f, ensure_ascii=False, indent=2)
logger.info(f"Results saved to {save_path}")
def _print_summary(self, summary: Dict[str, Any]):
"""Print formatted evaluation summary"""
print("\n" + "="*60)
print(" PNP RAG EVALUATION SUMMARY")
print("="*60)
print(f"Total Evaluations: {summary['total_evaluations']}")
print(f"Evaluation Time: {summary.get('evaluation_time', 0):.1f}s")
print("\nSCORE BREAKDOWN:")
print(f" Correctness: {summary['correctness']['mean']:.3f} ± {summary['correctness']['std']:.3f}")
print(f" Relevance: {summary['relevance']['mean']:.3f} ± {summary['relevance']['std']:.3f}")
print(f" Groundedness: {summary['groundedness']['mean']:.3f} ± {summary['groundedness']['std']:.3f}")
print(f" Retrieval: {summary['retrieval']['mean']:.3f} ± {summary['retrieval']['std']:.3f}")
print(f" Overall: {summary['overall_performance']['mean']:.3f} ± {summary['overall_performance']['std']:.3f}")
print("\nPERFORMANCE DISTRIBUTION:")
dist = summary['score_distribution']
print(f" Excellent (≥0.8): {dist['excellent_count']} ({dist['excellent_count']/summary['total_evaluations']*100:.1f}%)")
print(f" Good (0.6-0.8): {dist['good_count']} ({dist['good_count']/summary['total_evaluations']*100:.1f}%)")
print(f" Fair (0.4-0.6): {dist['fair_count']} ({dist['fair_count']/summary['total_evaluations']*100:.1f}%)")
print(f" Poor (<0.4): {dist['poor_count']} ({dist['poor_count']/summary['total_evaluations']*100:.1f}%)")
print(f"\nRESPONSE TIME STATS:")
perf = summary['performance_metrics']
print(f" Average: {perf['avg_response_time']:.2f}s")
print(f" Median: {perf['median_response_time']:.2f}s")
print(f" Range: {perf['fastest_response']:.2f}s - {perf['slowest_response']:.2f}s")
print("="*60)
# PNP Evaluation Dataset
evaluation_dataset = [
{
"question": "Bagaimana sistem pendidikan yang diterapkan di Politeknik Negeri Padang?",
"ground_truth": "Sistem pendidikan yang diterapkan di Politeknik adalah dengan menggabungkan pendidikan teoritis, praktek (terapan) di Laboratorium dan praktek industry. Pelaksanaan praktik di industri dilakukan oleh mahasiswa selama satu semester untuk menambah wawasan, pengalaman dan pengembangan ilmu guna membentuk tenaga ahli yang terampil dan profesional."
},
{
"question": "Apa saja mata kuliah yang terdapat dalam kurikulum pendidikan Politeknik Negeri Padang?",
"ground_truth": "Kurikulum Pendidikan telah disusun berbasis kompetensi dengan kelompok mata kuliah sebagai berikut : - Mata Kuliah Pengembangan Kepribadian (MPK) - Mata Kuliah Keimuan dan Keterampilan (MKK) - Mata Kuliah Berkarya (MKB) - Mata Kuliah Berkehidupan Bermasyarakat (MBB)"
},
{
"question": "Bagaimana Politeknik Negeri Padang mendukung misi tridharma perguruan tinggi?",
"ground_truth": "Politeknik Negeri Padang dalam menjalankan misi tridharma perguruan tinggi didukung oleh tenaga pendidik dan tenaga kependidikan yang profesional pada bidangnya. Jumlah dan kualifikasi staf tersebut berdasarkan keadaan Desember 2017 sebagai berikut : - Tenaga Pendidik : S1 = 14 orang, S2 = 256 orang, S3 = 21 orang (Yang sedang menempuh S3 = 7 orang, Yang sedang menempuh S2 = 5 orang) - Tenaga Kependidikan : SD = 5 orang, SMP = 4 orang, SLTA = 71 orang, D3 = 25 orang, S1 = 54 orang, S2 = 15 orang."
},
{
"question": "Bagaimana Politeknik Negeri Padang menyediakan akses internet bagi mahasiswa?",
"ground_truth": "Politeknik Negeri Padang telah memiliki Anjungan Internet Mandiri (AIM) yang dapat diakses oleh mahasiswa secara gratis, yang tersedia pada titik-titik strategis. Juga tersedia kawasan hot spot area di sekitar kampus sehingga mahasiswa dapat memanfaatkan internet dengan bebas menggunakan laptop/PC."
},
{
"question": "Apa saja contoh kerjasama Politeknik Negeri Padang dengan industri?",
"ground_truth": "PT. Siemens Indonesia, PT. Toyota Aichi Takaoua Japan, PT. PLN, PT. INTI, Futaba Rashi Siisha Kusho Japan, PT. Sintom, PT. Krakatau Steel, Komatssu Shinge Koumuten, PT. PAL Indonesia, PT. Hexindo, Taishurin Co. Ltd Fukuoaka Japan, PT. Texmaco Perkasa, PT. LEN Industri, PT. Toyota Astra Motor, PT. Indah Kiat, PT. Trakindo Utama, BTN."
},
{
"question": "Bagaimana Politeknik Negeri Padang membantu mahasiswa dalam bidang prestasi dan ekonomi?",
"ground_truth": "Tersedia bantuan untuk sekitar 800 mahasiswa setiap tahunnya. Beasiswa yang diterima antara lain: - Beasiswa Peningkatan Prestasi Akademik (PPA), - Beasiswa Kerja Mahasiswa (BKM), - Beasiswa Bantuan Belajar Mahasiswa (BBM), - Beasiswa TPSDP, - Beasiswa Kredit Bantuan Belajar Mahasiswa (KBBM), - Beasiswa Depertemen Hankam (ABRI), - Beasiswa PT. Toyota Astra, - Beasiswa ORBIT (ICMI), - Beasiswa Supersemar."
},
{
"question": "Bagaimana status akreditasi program studi di Politeknik Negeri Padang?",
"ground_truth": "Program studi di Politeknik Negeri Padang memiliki status akreditasi yang bervariasi seperti Baik, Baik Sekali, hingga Unggul. Contohnya, Teknik Mesin (D3) terakreditasi Baik Sekali hingga 2029, Teknik Manufaktur (D4) terakreditasi Unggul hingga 2028, dan Teknik Sipil (D3) terakreditasi A hingga 2026. Setiap program memiliki SK dan sertifikat akreditasi resmi."
},
{
"question": "Bagaimana proses penerimaan mahasiswa baru di Politeknik Negeri Padang?",
"ground_truth": "Penerimaan mahasiswa baru di Politeknik Negeri Padang dilakukan melalui berbagai jalur seleksi seperti SNBT, SNMPN, dan kelas kerjasama. Tersedia brosur dan informasi detail melalui situs http://penerimaan.pnp.ac.id. Program studi Teknik Alat Berat misalnya memiliki kelas kerjasama dengan PT Trakindo Utama. Jadwal seleksi dan pengumuman dapat diakses secara daring."
},
{
"question": "Apa bentuk kerjasama yang dilakukan Politeknik Negeri Padang?",
"ground_truth": "Politeknik Negeri Padang menjalin kerjasama dengan industri, pemerintah, BUMN, dan asosiasi profesi baik dalam negeri maupun luar negeri. Bentuk kerjasama mencakup rekrutmen, prakerin (praktik kerja industri), kunjungan industri, bimbingan karir, serta pembuatan MoU. Tujuannya untuk menjaga mutu lulusan dan penyaluran SDM."
},
{
"question": "Siapa direktur di Politeknik Negeri Padang saat ini?",
"ground_truth": "Direktur Politeknik Negeri Padang adalah Dr. Ir. Surfa Yondri, S.T., S.ST., M.Kom. Wakil Direktur Bidang Akademik adalah Ir. Revalin Herdianto, ST., M.Sc., Ph.D. Pimpinan lainnya antara lain Nasrullah, ST., M.T., dan Sarmiadi, S.E., M.M. yang memiliki pengalaman panjang dalam jabatan struktural di kampus."
},
{
"question": "Bagaimana sejarah singkat berdirinya Politeknik Negeri Padang?",
"ground_truth": "Politeknik Negeri Padang didirikan pada tahun 1987 sebagai salah satu dari 17 politeknik pertama di Indonesia. Awalnya bernama Politeknik Engineering Universitas Andalas. Pada 1997 menjadi Politeknik Universitas Andalas lalu berubah menjadi Politeknik Negeri Padang. Saat ini memiliki 32 program studi dari jenjang D3 hingga Magister Terapan."
},
{
"question": "Apa saja jurusan dan program studi yang tersedia di Politeknik Negeri Padang?",
"ground_truth": "Politeknik Negeri Padang memiliki 7 jurusan teknologi informasi, teknik mesin, teknik elektro, bahasa inggris, administrasi niaga, teknik sipil, dan akuntansi Saat ini memiliki 37 program studi dari jenjang D3 hingga Magister Terapan."
},
]
def main():
"""Main execution function"""
try:
client = Client() # Inisialisasi client LangSmith
print(f"LangSmith Project: {os.getenv('LANGCHAIN_PROJECT')}")
# Initialize evaluator
evaluator = PNPRAGEvaluator()
# Run evaluation
results = evaluator.run_evaluation(
evaluation_dataset,
"pnp_rag_evaluation_results.json"
)
print(f"\nEvaluation completed successfully!")
print(f"Results saved to: pnp_rag_evaluation_results.json")
return results
except Exception as e:
logger.error(f"Evaluation failed: {e}")
raise
if __name__ == "__main__":
main() |