Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Detekcija anomalija i duplikata

Lekcija 20 od 22 Ažurirano 29. srpnja 2026. Programer
Na ovoj stranici
  1. Ciljevi
  2. Detekcija anomalija
  3. Detekcija semantičkih duplikata
  4. Pipeline za deduplikaciju
  5. Ključne točke

Ciljevi

  • Detektiraj abnormalne tekstove unutar korpusa
  • Identificiraj semantičke duplikate
  • Izgradi pipeline za deduplikaciju

Detekcija anomalija

Dvije primjene u ovoj lekciji dijele istu intuiciju, primijenjenu na suprotnim krajevima ljestvice sličnosti. Tekst je „abnormalan“ ako je semantički udaljen od svega ostalog u korpusu; tekst je duplikat ako je previše blizu. Embeddings ti omogućuju mjerenje te udaljenosti u oba slučaja. Većina posla uključuje kalibraciju pragova.

Prvi pristup gradi centroid korpusa – prosjek svih vektora, koji predstavlja „uobičajenu temu ovog korpusa“ – zatim mjeri koliko svaki tekst odstupa od njega. Prag namjerno nije apsolutna vrijednost već percentil: unaprijed ne možeš znati koliko daleko leži anomalija, ali znaš da želiš ispitati najatipičnijih 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]}...")

Primjer korpusa govori sam za sebe: pet rečenica o HR politici i jedan pokušaj SQL injekcije. Nijedan filter ključnih riječi ne bi uhvatio injekciju bez unaprijed napisanog pravila; udaljenost od centroida označava je bez ikakve prethodne anticipacije. To je glavni argument za korištenje metode za nadzor toka dolaznih dokumenata.

Centroid ipak ima slabost: pretpostavlja da se korpus vrti oko jedne teme. Ako tvoji dokumenti pokrivaju tri vrlo različita područja, prosječna točka pada u semantičku prazninu i svi tekstovi izgledaju jednako udaljeni. Pristup k-najbližih susjeda (k-NN) zaobilazi ovo procjenjujući svaki tekst na temelju njegove neposredne okoline, a ne cijelog skupa: dokument koji pripada manjinskoj grupi ostaje normalan sve dok ima susjede.

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

Detekcija semantičkih duplikata

Na drugom kraju ljestvice nalaze se tekstovi koji su previše blizu. Dva unosa mogu biti duplikati čak i s različitim riječima – „Kako resetirati lozinku?“ i „Zaboravljena lozinka, što da radim?“ dijele samo tri zajedničke riječi – a to je upravo ono što heširanje ili usporedba nizova nikada neće uhvatiti. Embeddings ih detektiraju.

Funkcija izračunava punu matricu sličnosti i vraća sve parove iznad praga. Pazi na trošak: ova usporedba je kvadratna, što ostaje trenutno za nekoliko tisuća tekstova, ali postaje nepraktično za milijun – tada moraš koristiti približni indeks poput onih obrađenih uz vektorske baze podataka.

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']}")

Ovdje poziv koristi prag od 0,85 umjesto zadanog 0,90 jer reformulacije istog pitanja za podršku često padaju znatno ispod 0,90. Ovo je postavka oko koje ćeš provesti najviše vremena podešavajući: postaviš li ga previsoko, propustit ćeš duplikate; postaviš li prenisko, spojiti ćeš „kako promijeniti lozinku“ s „kako promijeniti email adresu“, dva različita pitanja koja izgledaju vrlo slično.

Pipeline za deduplikaciju

Detektiranje parova nije dovoljno za čišćenje korpusa. Ako A nalikuje B, a B nalikuje C, sva tri pripadaju istoj grupi, čak i ako A i C nikada nisu izravno uspoređeni iznad praga. Transitivno grupiranje je pravi posao, a struktura Union-Find rješava ga u jednom prolazu: svaki detektirani par spaja dva skupa, dajući na kraju potpuno formirane grupe duplikata.

Još uvijek moraš odabrati koji član preživljava. Pravilo korišteno ovdje – najkraći tekst – dobro funkcionira za pitanja podrške, gdje je najsažetija formulacija često najkanonskija. Za korpus dokumenata vjerojatno ćeš htjeti suprotno, ili najnovije: ovo je poslovna odluka, a ne tehnički detalj. Vraćeni rječnik zadržava popis izbrisanih tekstova kako bi čovjek mogao verificirati rubne slučajeve prije odobravanja.

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']}")

Primijenjena uzvodno od RAG indeksa, ova deduplikacija ima izravan učinak na kvalitetu: sprječava da pet rezultata vraćenih za pitanje bude pet verzija istog odlomka, što bi generatoru uskratilo bilo kakve dodatne informacije.

Ključne točke

  • Udaljenost od centroida ili k-NN detektira abnormalne tekstove
  • Kosinusna sličnost iznad praga identificira duplikate
  • Union-Find učinkovito grupira transitivne duplikate
  • Kalibriraj pragove na svojim podacima (obično 0,85–0,95 za duplikate)