> ## Documentation Index
> Fetch the complete documentation index at: https://docs.responsibleailabs.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# Bewertung
> KI-generierte Inhalte über 8 Dimensionen verantwortungsvoller KI bewerten.
Die Bewertung ist die Grundlage des RAIL Score Systems. Jede andere Funktion hängt von Bewertungs-Scores ab.
**API-Endpunkt:** `POST /railscore/v1/eval` | **Python:** `client.eval()` | **JavaScript:** `client.eval()`
## Die 8 RAIL-Dimensionen
| Dimension | Was sie misst |
| ------------------ | ----------------------------------------------------------------------------------- |
| **Fairness** | Gleichbehandlung über Bevölkerungsgruppen hinweg. Keine Vorurteile oder Stereotype. |
| **Safety** | Abwesenheit schädlicher, toxischer oder gefährlicher Inhalte. |
| **Reliability** | Faktische Korrektheit, innere Konsistenz, angemessene Kalibrierung. |
| **Transparency** | Klare Kommunikation von Grenzen, Begründungen und Unsicherheit. |
| **Privacy** | Schutz personenbezogener Daten und Datenminimierung. |
| **Accountability** | Nachvollziehbare Begründung, genannte Annahmen, Anerkennung von Fehlern. |
| **Inclusivity** | Inklusive Sprache, Barrierefreiheit, kulturelles Bewusstsein. |
| **User Impact** | Positiver Mehrwert, geliefert auf dem richtigen Detailgrad und im richtigen Ton. |
Die vollständige Definition jeder Dimension, ihre Bewertungsanker und ausgearbeitete Beispiele finden Sie unter [Das RAIL Framework](/concepts/rail-framework).
## Basic-, Deep- und Auto-Modi
```mermaid theme={null}
flowchart TD
Input["Content + Parameters"] --> Router{"Mode?"}
Router -- "basic" --> Core["RAIL core scoring"]
Router -- "deep" --> Deep["RAIL deep analysis"]
Router -- "auto" --> Auto{"Issue detected?"}
Auto -- "no" --> Core
Auto -- "yes" --> Deep
Core --> Out1["Score + Confidence"]
Deep --> Out2["Score + Confidence + Explanations + Issues"]
```
Beide Modi bewerten dieselben 8 Dimensionen und geben denselben RAIL-Gesamtscore zurück. Sie unterscheiden sich in der Tiefe und darin, welche Details zurückkommen.
Die Kern-Scoring-Modelle von RAIL. Schnell (typischerweise unter einer Sekunde) und für Echtzeit-Scoring in der Produktion ausgelegt.
Gibt zurück: Gesamtscore, Scores pro Dimension und Konfidenzwerte.
```python theme={null}
result = client.eval(content="Your text here", mode="basic")
# result.rail_score.score -> 7.6
# result.dimension_scores -> {fairness: {score: 7.7, confidence: 0.84}, ...}
```
Eine tiefere, detailliertere Analyse des Inhalts. Dauert einige Sekunden und kann zusätzlich zu den Scores eine Erklärung pro Dimension, Problem-Tags und Verbesserungsvorschläge zurückgeben.
```python theme={null}
result = client.eval(
content="Your text here",
mode="deep",
include_explanations=True,
include_issues=True,
include_suggestions=True,
)
# result.dimension_scores["transparency"].explanation -> "The process is mostly clear, but..."
# result.dimension_scores["safety"].issues -> ["Potential phishing risks"]
```
Führt **basic** auf jeder Anfrage aus und eskaliert zu **deep** nur dann, wenn ein echtes Problem erkannt wird — eine niedrig bewertete oder niedrig-konfidente Dimension oder ein gekennzeichnetes Signal. Saubere Inhalte bleiben schnell und kostengünstig; Inhalte, die eine genauere Überprüfung benötigen, erhalten automatisch die tiefere Analyse.
```python theme={null}
result = client.eval(content="Your text here", mode="auto")
# result.resolved_mode -> "basic" (sauberer Inhalt — schnell geblieben)
# -> "deep" (Problem erkannt — eskaliert)
# result.escalated -> False / True
```
`resolved_mode` und `escalated` im Antwort-`result` zeigen an, welche Stufe ausgeführt wurde. Sie werden nach der Stufe abgerechnet, die tatsächlich ausgeführt wurde.
**Welchen wählen:** Greifen Sie zum **Basic**-Modus, wenn Sie auf dem heißen Pfad einer Produktionsanfrage bewerten und ein schnelles Urteil benötigen. Greifen Sie zum **Deep**-Modus, wenn Sie einem Prüfer zeigen müssen, *warum* etwas niedrig bewertet wurde, oder wenn Sie eine Richtlinie debuggen und feinjustieren, denn dieser liefert Erklärungen und Problem-Tags. Greifen Sie zum **Auto**-Modus, wenn Sie die Geschwindigkeit von Basic bei den meisten Anfragen möchten, aber automatische tiefe Analyse bei Inhalten, die es benötigen — ohne dies im Voraus zu entscheiden.
### Die Antwort
Jede Bewertung gibt zurück:
* `rail_score` — den Gesamtscore (0 bis 10), seine `confidence` und eine einzeilige `summary`.
* `dimension_scores` — einen `score` und eine `confidence` für jede der 8 Dimensionen. Im Deep-Modus trägt jede zusätzlich eine `explanation` und `issues` (sowie `suggestions`, falls angefordert).
* `policy_outcome` — wie die [Richtlinie Ihrer Anwendung](/concepts/policy-engine) das Ergebnis bewertet hat.
## Selektive Dimensionen
```python theme={null}
result = client.eval(
content="Your text here",
mode="basic",
dimensions=["safety", "privacy", "reliability"],
)
```
## Benutzerdefinierte Gewichtungen
Die Gewichtungen müssen sich auf 100 summieren:
```python theme={null}
result = client.eval(
content="Patient should take 500mg ibuprofen every 4 hours.",
mode="deep",
domain="healthcare",
weights={
"safety": 25, "privacy": 20, "reliability": 20,
"accountability": 15, "transparency": 10,
"fairness": 5, "inclusivity": 3, "user_impact": 2,
},
)
```
## Bewertungsstufen
Ein Score wird einem von fünf Bändern zugeordnet, von **Excellent** (9,0 bis 10,0) bis hinab zu **Critical** (0,0 bis 2,9). Die vollständige Tabelle und die Bedeutung jedes Bands finden Sie unter [Das RAIL Framework](/concepts/rail-framework#score-tiers).
## Caching
Identische Anfragen geben zwischengespeicherte Ergebnisse zurück, sodass das wiederholte Bewerten desselben Inhalts schnell ist und nicht erneut berechnet wird. Der Basic-Modus speichert für 5 Minuten zwischen, der Deep-Modus für 3 Minuten.
Vollständige Endpunktspezifikation
Python-Codebeispiele