Detekcija anomalija i duplikata
Na ovoj stranici
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)