OSS探訪

ML・LLM・data pipelineを100+ metrics、tests、reports、monitoring UIで評価・監視するPython observability framework

スコアの見方

OSS規模スコアはStars・Watchers・Forks・Contributorsを対数圧縮して重み付けした現在の規模指標(上限なし)です。発掘スコアは現在のOSS規模スコアから発掘時点のOSS規模スコアを引いた値、更新ペースは直近30日Commit数、成長モメンタムは直近の観測期間におけるOSS規模スコア差、OSS健全度は取得できた更新状況・Community Health・Releaseの0〜100評価です。

Stars
7,967
主要言語
Jupyter Notebook
ライセンス
Apache-2.0
リポジトリ最終更新
2026/09/29
ページ内ナビ

概要

EvidentlyはML・LLM-powered systemやdata pipelineをevaluate、test、monitorするopen-source Python frameworkです。data drift、data quality、predictive model、text/LLM output等を100+ built-in metricsで評価し、Report、Test Suite、monitoring UIへ接続できます。

特徴と向いている用途

公式資料に基づく紹介・実機未検証 · 内容確認日:

主な特徴

Reportでdata・ML・LLM metricsをまとめて計算する

Presetや個別metricからReportを構成し、interactive表示、JSON/dict/HTML exportでexperimentやdebuggingへ利用できます。

出典:[1]

pass/fail条件を付けてCI向けTest Suiteへ変換する

Reportへconditionを加えてregression testやdata validationとして使え、reference datasetから条件を自動生成するworkflowも提供します。

出典:[1]

offline evaluationからmonitoring UIまで段階的に導入する

one-off evaluationだけでも使え、必要に応じてself-hosted monitoring UIへmetric/test結果を蓄積できます。

出典:[1]

向いている用途

model/data/LLM品質を同じ評価基盤で追跡したいteamに向く

tabular dataからGenAIまで、experiment・CI・production monitoringを共通metric vocabularyでつなぎたいML/LLM teamに適します。

出典:[1]

導入前の確認

Python 3.10+とscientific Python dependencyを前提にする

0.7.23はPython 3.10+を要求し、pandas、scikit-learn、SciPy、statsmodels等をcore dependencyとして導入します。

出典:[2]

LLM evaluatorはoptional dependencyと外部model条件を分離する

llm extraにはOpenAI、LiteLLM、Transformers等が含まれます。外部LLM judgeを使う場合はprivacy、cost、model/version driftをoffline metricsとは別に管理します。

出典:[2][1]

参考にした公式資料

  1. [1]Evidently 0.7.23 README(2026-10-04)
  2. [2]Evidently 0.7.23 project metadata(2026-10-04)
  3. [3]Evidently 0.7.23 release(2026-10-04)
  4. [4]Evidently Apache-2.0 license(2026-10-04)
編集部からの補足

core packageはPython 3.10+で、LLM-as-a-judge等はoptional llm dependenciesや外部model/APIを必要とする場合があります。まずoffline metrics/testから導入し、外部評価modelを使う場合はcost・privacy・reproducibilityを別途管理してください。

3ステップで試す

  1. 1

    Python 3.10+ virtualenvへEvidently 0.7.23を導入する

    core packageだけをversion固定で導入し、外部LLM APIは使いません。

    python3 -m venv evidently-demo && . evidently-demo/bin/activate && pip install 'evidently==0.7.23'
  2. 2

    local Data Drift Reportを作成する

    local DataFrameだけでReport APIを試すsampleを作成します。

    printf 'import pandas as pd\nfrom evidently import Report\nfrom evidently.presets import DataDriftPreset\nref=pd.DataFrame({"x":[1,2,3,4,5]})\ncur=pd.DataFrame({"x":[1,2,3,5,8]})\nr=Report([DataDriftPreset()]).run(cur, ref)\nprint(type(r).__name__)\n' > evidently-demo/demo.py
  3. 3

    offline evaluationを実行する

    外部serviceやmodelを呼ばずReport resultが生成されることを確認します。

    . evidently-demo/bin/activate && python evidently-demo/demo.py
公式READMEで確認

成長

成長の推移 · 直近30日

7,967 Stars

推移データを蓄積中です。

開発アクティビティ

直近90日・週次

Commit(直近30日)
3
Open PR
77

開発アクティビティを蓄積中です。

Built with

カテゴリとタグ

GitHubデータ

GitHubのデータGitHubの詳細データを見る

GitHub Topics

  • data-drift
  • jupyter-notebook
  • pandas-dataframe
  • machine-learning
  • model-monitoring
  • html-report
  • mlops
  • data-science
  • hacktoberfest
  • data-quality
  • data-validation
  • generative-ai
Stars
7,967
Forks
943
Watchers
56
Open Issues
246
Contributors
88
所有者種別
Organization
主要言語
Jupyter Notebook
ライセンス
Apache-2.0
リポジトリ最終更新
2026/09/29

このOSSの使い方や活用事例をMarkdownで投稿できます。管理者が承認した後に公開されます。

情報の誤りを報告

掲載内容に誤りや古い情報があればお知らせください。

このページを読んで、次に何をすればよいか分かりましたか?