Biblioteca de Python para calidad de datos que permite a los equipos definir Expectations declarativas como pruebas unitarias y generar informes de validación.
11,9 mil1,9 milPythonApache-2.0Actualizado hace 6 días
evidentlyai/evidently
Framework open source de Python para evaluar, probar y monitorear sistemas de ML y LLM, con más de 100 métricas integradas y detección de drift.
- Estrellas
- 7,999
- Forks
- 954
- Issues abiertos
- 345
- Último commit
- hace 23 días
¿Qué es?
Evidently es una biblioteca open source de Python para evaluar, probar y monitorear sistemas de machine learning y LLM, desde la experimentación hasta producción. Admite datos tabulares y de texto, y evaluaciones de tareas predictivas, como clasificación y regresión, y tareas generativas, como RAG y la calidad de las respuestas de los LLM.
El flujo de trabajo principal se basa en Reports, que calculan y resumen métricas, y Test Suites, que añaden condiciones de aprobación o fallo a un Report para pruebas de regresión, comprobaciones de CI/CD o validación de datos. Los Reports se pueden consultar en Python o exportar como JSON, diccionario de Python o HTML. Entre las opciones integradas se incluyen la detección de drift de datos, las comprobaciones de calidad de los datos y los jueces basados en LLM; también se pueden crear métricas personalizadas en Python.
Para el monitoreo continuo, Evidently ofrece una interfaz web que registra métricas y resultados de pruebas a lo largo del tiempo. Se puede alojar por cuenta propia con el paquete open source o utilizar el servicio administrado Evidently Cloud.
Funciones clave
- 01Métricas integradas para detectar drift de datos y evaluar la calidad de los datos, la clasificación, la regresión, el ranking y las recomendaciones.
- 02Evaluación de LLM con descriptores de texto y evaluadores LLM-as-a-judge.
- 03Reports y Test Suites con condiciones de aprobación o fallo para CI/CD y pruebas de regresión.
- 04Exportación de resultados como HTML, JSON o diccionarios de Python.
- 05Interfaz de monitoreo autohospedada para seguir métricas a lo largo del tiempo.
Casos de uso
- Detectar si los datos de entrada en producción han sufrido drift con respecto a los datos de entrenamiento.
- Ejecutar pruebas de regresión sobre respuestas de LLM o RAG en un pipeline de CI.
- Validar la calidad de los datos antes del entrenamiento de modelos o de ejecutar pipelines por lotes.
- Monitorear en un dashboard el rendimiento de un modelo de ML desplegado a lo largo del tiempo.
Inicio rápido
- 1
Instala Evidently desde PyPI
pip install evidently - 2
Ejecuta la interfaz de Evidently con proyectos de demostración
evidently ui --demo-projects all - 3
Abre localhost:8000 en el navegador para acceder a la interfaz
Antes de usarlo
- Algunas funciones avanzadas, como las alertas, la gestión de conjuntos de datos y usuarios, y las evaluaciones sin código, solo están disponibles en Evidently Cloud, el plan de pago, y no en la versión de código abierto.
Temas
Preguntas frecuentes
- ¿Qué es evidently?
- Framework open source de Python para evaluar, probar y monitorear sistemas de ML y LLM, con más de 100 métricas integradas y detección de drift. Evidently es una biblioteca open source de Python para evaluar, probar y monitorear sistemas de machine learning y LLM, desde la experimentación hasta producción. Admite datos tabulares y de texto, y evaluaciones de tareas predictivas, como clasificación y regresión, y tareas generativas, como RAG y la calidad de las respuestas de los LLM.
- ¿evidently es gratuito? ¿Qué licencia tiene?
- evidently es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿evidently sigue mantenido?
- Mantenimiento activo. El último commit de evidently fue el 29 sept 2026.
- ¿Para qué puedo usar evidently?
- Detectar si los datos de entrada en producción han sufrido drift con respecto a los datos de entrenamiento. Ejecutar pruebas de regresión sobre respuestas de LLM o RAG en un pipeline de CI. Validar la calidad de los datos antes del entrenamiento de modelos o de ejecutar pipelines por lotes. Monitorear en un dashboard el rendimiento de un modelo de ML desplegado a lo largo del tiempo.
- ¿Cómo se instala evidently?
- Instala Evidently desde PyPI: pip install evidently Ejecuta la interfaz de Evidently con proyectos de demostración: evidently ui --demo-projects all Abre localhost:8000 en el navegador para acceder a la interfaz
- ¿Dónde consigo evidently?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/evidentlyai/evidently
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Plataforma open source para registrar y visualizar el entrenamiento de IA, con métricas, hiperparámetros y estadísticas de hardware, en la nube o autohospedada.
4,3 mil231PythonApache-2.0Actualizado anteayer
Curso online gratuito y autoguiado de 9 semanas sobre MLOps: seguimiento de experimentos, orquestación, despliegue, monitorización y buenas prácticas.
15,5 mil3,1 milJupyter NotebookSin licenciaActualizado hace 7 días
Biblioteca de Python para crear y servir API de inferencia de modelos de IA, pipelines multimodelo y aplicaciones con LLM, con despliegue en Docker y Kubernetes.
8,9 mil1 milPythonApache-2.0Actualizado anteayer
Clasificación pública de LLM según la frecuencia con que alucinan al resumir documentos breves, evaluada con el modelo HHEM de Vectara.
3,3 mil107PythonApache-2.0Actualizado hace 5 días
Plataforma de Python de código abierto para crear flujos de trabajo de ML e IA como pipelines que se ejecutan en infraestructura propia o en la nube, desde el entrenamiento de modelos hasta los agentes.
5,6 mil665PythonApache-2.0Actualizado hace 18 horas