Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Anomaaliate ja duplikaatide tuvastamine

Õppetund 20 / 22 Värskendatud 29. juuli 2026 Arendajatele
Sellel lehel
  1. Eesmärgid
  2. Anomaaliate tuvastamine
  3. Semantiline duplikaatide tuvastamine
  4. Dedubleerimise töövoog
  5. Peamised punktid

Eesmärgid

  • Tuvasta korpuses ebatavalised tekstid
  • Määra semantilised duplikaadid
  • Ehita dedubleerimise töövoog

Anomaaliate tuvastamine

Selle tunni kahel rakendusel on sama intuitsioon, mida rakendatakse sarnasuse skaala vastasotstes. Tekst on “ebatavaline”, kui see on semantiliselt kaugel kõigest muust korpuses; tekst on duplikaat, kui see on liiga lähedal. Manused (embeddings) võimaldavad mõlemal juhul seda kaugust mõõta. Enamik tööst seisneb lävendite kalibreerimises.

Esimene lähenemine loob korpuse tsentroidi – kõigi vektorite keskmise, mis esindab “selle korpuse tavalist teemat” – ja mõõdab seejärel, kui kaugele iga tekst sellest kõrvale kaldub. Lävi ei ole tahtlikult absoluutväärtus, vaid protsentiil: sa ei saa ette teada, kui kaugel anomaalia asub, kuid sa tead, et soovid uurida kõige ebatüüpilisemat 5%.

from openai import OpenAI
import numpy as np

client = OpenAI()

def detect_anomalies(
    texts: list[str],
    percentile_threshold: float = 95,
    model: str = "text-embedding-3-large"
) -> list[dict]:
    """Detects abnormal texts by distance to the centroid."""
    response = client.embeddings.create(
        input=texts, model=model
    )
    embeddings = np.array(
        [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
    )

    # Corpus centroid
    centroid = embeddings.mean(axis=0)
    centroid /= np.linalg.norm(centroid)

    # Distance of each text to the centroid
    similarities = embeddings @ centroid
    threshold = np.percentile(similarities, 100 - percentile_threshold)

    anomalies = []
    for i, sim in enumerate(similarities):
        if sim < threshold:
            anomalies.append({
                "index": i,
                "text": texts[i],
                "similarity": float(sim),
                "is_anomaly": True
            })

    return anomalies

# Example
corpus = [
    "Our leave policy provides 25 days per year",
    "Leave must be requested 2 weeks in advance",
    "Leave balances are visible on the HR portal",
    "Exceptional leave is granted with supporting documentation",
    "SELECT * FROM users WHERE admin=1; DROP TABLE users;--",  # Anomaly!
    "The remote work policy allows 3 days per week",
]

anomalies = detect_anomalies(corpus)
for a in anomalies:
    print(f"  ANOMALY [{a['similarity']:.3f}] : {a['text'][:60]}...")

Näitekorpuse lugu räägib iseenda eest: viis personalipoliitika lauset ja üks SQL-i süstimise katse. Ükski märksõnafilter poleks süstimist ilma eelnevalt kirjutatud reeglita tabanud; kaugus tsentroidist märgib selle ära ilma igasuguse eelneva etteaimduseta. See on peamine argument meetodi kasutamiseks sisenevate dokumentide voogu jälgimisel.

Tsentroidil on siiski üks nõrkus: see eeldab, et korpus tiirleb ümber ühe teema. Kui sinu dokumendid hõlmavad kolme väga erinevat valdkonda, langeb keskmine punkt semantilisse tühimikku ja kõik tekstid tunduvad võrdselt kauged. K-lähima naabri (k-NN) lähenemine väldib seda, hinnates iga teksti selle vahetu naabruse, mitte kogu hulga põhjal: vähemusrühma kuuluv dokument jääb normaalseks seni, kuni tal on naabreid.

def detect_anomalies_knn(
    texts: list[str],
    k: int = 3,
    percentile_threshold: float = 90,
    model: str = "text-embedding-3-large"
) -> list[dict]:
    """Detects anomalies by distance to the k nearest neighbors."""
    response = client.embeddings.create(
        input=texts, model=model
    )
    embeddings = np.array(
        [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
    )

    # Similarity matrix
    sim_matrix = embeddings @ embeddings.T

    # For each text, average of the k nearest neighbors
    isolation_scores = []
    for i in range(len(texts)):
        sims = sim_matrix[i].copy()
        sims[i] = -1  # Exclude self
        top_k_sims = np.sort(sims)[-k:]
        isolation_scores.append(top_k_sims.mean())

    threshold = np.percentile(isolation_scores, 100 - percentile_threshold)

    anomalies = []
    for i, score in enumerate(isolation_scores):
        if score < threshold:
            anomalies.append({
                "index": i,
                "text": texts[i],
                "isolation_score": float(score)
            })

    return anomalies

Semantiline duplikaatide tuvastamine

Skaala teises otsas asuvad tekstid, mis on liiga lähedal. Kaks kirjet võivad olla duplikaadid isegi erinevate sõnadega – „Kuidas ma saan oma parooli lähtestada?“ ja „Unustasin parooli, mida ma teen?“ jagavad vaid kolme ühist sõna – ja just seda ei suuda hašimine või stringide võrdlus kunagi tabada. Manused tuvastavad need.

Funktsioon arvutab täieliku sarnasusmaatriksi ja tagastab kõik paarid, mis ületavad läve. Jälgi kulu: see võrdlus on ruutkeskmise keerukusega, mis jääb mõne tuhande teksti puhul silmapilksuks, kuid muutub miljoni puhul ebapraktiliseks – siis pead kasutama ligikaudset indeksit, nagu need, mida käsitlesime vektorandmebaaside juures.

def find_duplicates(
    texts: list[str],
    threshold: float = 0.90,
    model: str = "text-embedding-3-large"
) -> list[dict]:
    """Finds pairs of semantically identical texts."""
    response = client.embeddings.create(
        input=texts, model=model
    )
    embeddings = np.array(
        [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
    )

    # Similarity matrix
    sim_matrix = embeddings @ embeddings.T

    duplicates = []
    for i in range(len(texts)):
        for j in range(i + 1, len(texts)):
            if sim_matrix[i][j] >= threshold:
                duplicates.append({
                    "text_a": texts[i],
                    "text_b": texts[j],
                    "index_a": i,
                    "index_b": j,
                    "similarity": float(sim_matrix[i][j])
                })

    return sorted(duplicates, key=lambda x: x["similarity"], reverse=True)

# Example
texts = [
    "How do I reset my password?",
    "I cannot log in to my account",
    "Forgot password, what do I do?",           # Duplicate of [0]
    "What is the refund policy?",
    "Unable to access my personal space",       # Duplicate of [1]
    "How do I get a refund?",                   # Duplicate of [3]
]

dupes = find_duplicates(texts, threshold=0.85)
print(f"{len(dupes)} duplicate pairs found:")
for d in dupes:
    print(f"  [{d['similarity']:.3f}]")
    print(f"    A: {d['text_a']}")
    print(f"    B: {d['text_b']}")

Siinne väljakutse kasutab lävena 0,85 vaikimisi 0,90 asemel, sest sama tugiküsimuse ümberformuleerimised jäävad sageli kaugele alla 0,90. See on seadistus, mille häälestamiseks kulutad kõige rohkem aega: kui seadad selle liiga kõrgeks, lased duplikaadid läbi; kui liiga madalaks, liidad „kuidas muuta parooli“ ja „kuidas muuta meiliaadressi“ – kaks erinevat küsimust, mis näevad väga sarnased välja.

Dedubleerimise töövoog

Paaride tuvastamisest ei piisa korpuse puhastamiseks. Kui A sarnaneb B-ga ja B sarnaneb C-ga, kuuluvad kõik kolm samasse rühma, isegi kui A ja C vahelist võrdlust ei tehtud otse üle läve. Transitiivne rühmitamine on tegelik töö ja Union-Find struktuur lahendab selle ühe läbimisega: iga tuvastatud paar liidab kaks hulka, tulemuseks on lõpus täielikult moodustunud duplikaatide rühmad.

Siiski pead valima, milline liige ellu jääb. Siin kasutatud reegel – lühim tekst – toimib hästi tugiküsimuste puhul, kus kõige lakoonilisem formuleering on sageli kõige kanonilisem. Dokumentide korpuse puhul soovid tõenäoliselt vastupidist või kõige uuemat: see on äriotsus, mitte tehniline detail. Tagastatud sõnastik hoiab alles kustutatud tekstide loendi, et inimene saaks enne kinnitamist piirjuhtumeid kontrollida.

class Deduplicator:
    def __init__(self, threshold: float = 0.90):
        self.client = OpenAI()
        self.threshold = threshold

    def deduplicate(self, texts: list[str]) -> dict:
        """Removes semantic duplicates."""
        response = self.client.embeddings.create(
            input=texts, model="text-embedding-3-large"
        )
        embeddings = np.array(
            [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
        )

        # Union-Find to group duplicates
        parent = list(range(len(texts)))

        def find(x):
            while parent[x] != x:
                parent[x] = parent[parent[x]]
                x = parent[x]
            return x

        def union(a, b):
            pa, pb = find(a), find(b)
            if pa != pb:
                parent[pb] = pa

        # Find similar pairs
        sim_matrix = embeddings @ embeddings.T
        for i in range(len(texts)):
            for j in range(i + 1, len(texts)):
                if sim_matrix[i][j] >= self.threshold:
                    union(i, j)

        # Keep one representative per group
        groups = {}
        for i in range(len(texts)):
            root = find(i)
            if root not in groups:
                groups[root] = []
            groups[root].append(i)

        # Select unique texts (shortest in each group)
        uniques = []
        deleted = []
        for root, members in groups.items():
            representative = min(members, key=lambda i: len(texts[i]))
            uniques.append(texts[representative])
            for m in members:
                if m != representative:
                    deleted.append(texts[m])

        return {
            "uniques": uniques,
            "deleted": deleted,
            "n_original": len(texts),
            "n_deduplicated": len(uniques),
            "n_deleted": len(deleted)
        }

# Usage
dedup = Deduplicator(threshold=0.85)
result = dedup.deduplicate(texts)
print(f"Before: {result['n_original']} texts")
print(f"After: {result['n_deduplicated']} texts")
print(f"Deleted: {result['n_deleted']}")

RAG-indeksi eel rakendatuna avaldab see dedubleerimine kvaliteedile otsest mõju: see takistab olukorda, kus küsimusele tagastatud viis tulemust on sama lõigu viis versiooni, mis jätaks generaatori ilma igasugusest lisainformatsioonist.

Peamised punktid

  • Kaugus tsentroidini või k-NN tuvastab ebatavalised tekstid
  • Koosiinussarnasus üle läve tuvastab duplikaadid
  • Union-Find rühmitab transitiivsed duplikaadid tõhusalt
  • Kalibreeri läved oma andmetel (duplikaatide puhul tüüpiliselt 0,85–0,95)