Grupiranje i dijeljenje na dijelove
Na ovoj stranici
Izazov velikih količina podataka
Kada radiš s tisućama dokumenata, ne možeš sve kodirati u jednom pozivu API-ja. Moraš upravljati grupiranjem (obrada u skupinama) i dijeljenjem na dijelove (cijepanje teksta). Ove dvije tehnike ključne su za izgradnju sustava semantičkog pretraživanja u velikom mjerilu.
Ta se dva pojma zvuče slično, ali rješavaju suprotne probleme. Dijeljenje na dijelove rješava problem jednog dokumenta koji je prevelik da bi se učinkovito kodirao u cijelosti; grupiranje rješava problem previše dokumenata koji ne staju u jedan zahtjev. Tehnički priručnik od tristo stranica spada u prvu kategoriju, izvoz od dvadeset tisuća tiketa u drugu, a stvarni projekt gotovo uvijek uključuje oboje.
Grupiranje: Obrada u skupinama
API mistral-embed prihvaća popis ulaza, ali postoje praktična ograničenja (veličina zahtjeva, broj tokena). Rješenje je podijeliti tvoj korpus na grupe (batcheve) i iterirati kroz njih. Donja funkcija radi upravo to, prikazujući napredak – što je ključan detalj kada kodiranje cijelog korpusa traje nekoliko minuta i trebaš znati napreduje li proces ili je zastao.
import numpy as np
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def get_embeddings_by_chunks(data, chunk_size=25):
"""Encode a large list of texts in batches."""
chunks = [data[x:x + chunk_size] for x in range(0, len(data), chunk_size)]
embeddings = []
for i, chunk in enumerate(chunks):
print(f"Batch {i+1}/{len(chunks)} ({len(chunk)} texts)...")
response = client.embeddings.create(
model="mistral-embed",
inputs=chunk,
)
embeddings.extend([d.embedding for d in response.data])
return embeddings
# Example with 1000 documents
documents = [f"Document number {i} with varied content." for i in range(1000)]
all_embeddings = get_embeddings_by_chunks(documents, chunk_size=50)
print(f"Total: {len(all_embeddings)} embeddings of {len(all_embeddings[0])} dimensions")
Korištenje extend umjesto append osigurava da redoslijed vektora točno odgovara redoslijedu ulaznog teksta. To ti omogućuje kasnije dohvaćanje izvornog dokumenta putem jednostavnog indeksa.
Optimizacija veličine grupe
Optimalna veličina grupe ovisi o prosječnoj duljini tvojih tekstova: pedeset naslova članaka i pedeset punih izvješća ne teže isto u tokenima. Umjesto nasumičnog odabira konstante, procijeni je iz samog korpusa.
def optimal_batch_size(documents, max_tokens_per_batch=16000):
"""Estimate the optimal batch size."""
# Rough estimate: 1 token ~ 4 characters in English
avg_chars = sum(len(d) for d in documents) / len(documents)
avg_tokens = avg_chars / 4
batch_size = max(1, int(max_tokens_per_batch / avg_tokens))
return min(batch_size, 100) # Cap at 100
# Adjust based on your corpus
batch_size = optimal_batch_size(documents)
print(f"Recommended batch size: {batch_size}")
Ograničenje na 100 nije kozmetičko: iznad te brojke, jedan neuspjeli batch uzrokuje značajan gubitak posla, a memorija koju zauzima odgovor postaje znatna.
Dijeljenje na dijelove: Cijepanje teksta
Dugi tekstovi moraju se podijeliti na dijelove prije kodiranja. Postoji nekoliko strategija, od kojih svaka ima svoje prednosti, a izbor izravno utječe na kvalitetu odgovora: dio koji počinje usred rečenice proizvodi nejasan vektor, što dovodi do nejasnih rezultata pretraživanja.
Dijeljenje temeljeno na znakovima (Jednostavno)
Najizravnija metoda reže svakih N znakova, bez obzira na sadržaj. Njezina je prednost predvidljivost i brzina, što je prihvatljivo za prototip ili za tekst bez jasne strukture.
def chunk_by_chars(text, chunk_size=2048, overlap=200):
"""Split text into chunks with overlap."""
chunks = []
start = 0
while start < len(text):
end = start + chunk_size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap # Overlap for context
return chunks
long_text = "A very long document..." * 500
chunks = chunk_by_chars(long_text, chunk_size=2048, overlap=200)
print(f"{len(chunks)} chunks created")
Dijeljenje temeljeno na odlomcima (Preporučeno)
Dijeljenje temeljeno na odlomcima poštuje jedinicu značenja koju je autor namijenio. U dokumentaciji proizvoda, svaki odlomak obično pokriva specifičnu točku; njegovo očuvanje u cjelini daje dio koji može samostalno odgovoriti na pitanje. Funkcija akumulira odlomke dok se ne prijeđe maksimalna veličina, zatim zatvara trenutni dio.
def chunk_by_paragraphs(text, max_chunk_size=2048):
"""Split while respecting paragraph boundaries."""
paragraphs = text.split("\n\n")
chunks = []
current_chunk = ""
for para in paragraphs:
if len(current_chunk) + len(para) + 2 > max_chunk_size:
if current_chunk:
chunks.append(current_chunk.strip())
current_chunk = para
else:
current_chunk += "\n\n" + para if current_chunk else para
if current_chunk:
chunks.append(current_chunk.strip())
return chunks
Dijeljenje temeljeno na rečenicama
Kada tekstu nedostaju upotrebljivi odlomci – poput transkripta poziva ili dnevnika događaja – rečenica postaje najmanja dostupna jedinica značenja. Dijeljenje tada slijedi istu logiku akumulacije, oslanjajući se na interpunkciju koja označava kraj rečenice.
import re
def chunk_by_sentences(text, max_chunk_size=1500):
"""Split while respecting sentence boundaries."""
# Split on end-of-sentence punctuation
sentence_pattern = r'(?<=[.!?])\s+'
sentences = re.split(sentence_pattern, text)
chunks = []
current_chunk = ""
for sentence in sentences:
if len(current_chunk) + len(sentence) + 1 > max_chunk_size:
if current_chunk:
chunks.append(current_chunk.strip())
current_chunk = sentence
else:
current_chunk += " " + sentence if current_chunk else sentence
if current_chunk:
chunks.append(current_chunk.strip())
return chunks
Preklapanje
Preklapanje između dijelova sprječava prepolavljanje ideje. Dodavanjem preklapanja od 10% do 20% veličine dijela, čuvaš kontekst između susjednih komada. Zamisli postupak gdje korak 4. završava na 2040. znaku, a posljedica je objašnjena odmah nakon toga: bez preklapanja, nijedan dio ne sadrži obje polovice razmišljanja i pretraživanje nikada neće dohvatiti potpun odgovor.
Vrijednosti u nastavku služe kao provjerene početne točke ovisno o vrsti sadržaja:
# Recommended parameters by content type
PARAMS = {
"articles": {"chunk_size": 1500, "overlap": 200},
"documentation": {"chunk_size": 1000, "overlap": 150},
"conversations": {"chunk_size": 500, "overlap": 50},
"code": {"chunk_size": 2000, "overlap": 300},
}
Razgovori se smanjuju na 500 znakova jer je govorni okret kratak, a veći dio bi miješao više tema; kod se povećava na 2000 s velikim preklapanjem jer funkcija gubi smisao ako joj se potpis odvoji od tijela.
Potpuni pipeline: Dijeljenje + Grupiranje + Ugradnja
Evo kako kombinirati dijeljenje na dijelove i grupiranje u produkcijskom pipelineu. Element koji ne smiješ zanemariti jest chunk_metadata: bez njega dobivaš osirotele vektore koji ne mogu ukazati iz kojeg dokumenta potječu i nikada nećeš moći citirati svoje izvore u konačnom odgovoru.
def pipeline_embed(documents, chunk_size=1500, overlap=200, batch_size=50):
"""Complete pipeline: chunk, batch, embed."""
# 1. Chunk all documents
all_chunks = []
chunk_metadata = [] # Track source document
for doc_idx, doc in enumerate(documents):
chunks = chunk_by_paragraphs(doc, max_chunk_size=chunk_size)
for chunk_idx, chunk in enumerate(chunks):
all_chunks.append(chunk)
chunk_metadata.append({
"doc_index": doc_idx,
"chunk_index": chunk_idx,
})
print(f"{len(documents)} documents -> {len(all_chunks)} chunks")
# 2. Encode in batches
embeddings = get_embeddings_by_chunks(all_chunks, chunk_size=batch_size)
# 3. Return structured results
return {
"chunks": all_chunks,
"embeddings": np.array(embeddings),
"metadata": chunk_metadata,
}
# Usage
result = pipeline_embed(documents)
print(f"Embeddings: {result['embeddings'].shape}")
Pokreni ovaj pipeline na desetak svojih stvarnih dokumenata i vizualno pregledaj all_chunks prije nego što išta kodiraš u velikom mjerilu. Loše cijepanje odmah je vidljivo čitanjem, dok se nikada ne pojavljuje u obliku matrice.
Ključne točke
- Grupiranje ti omogućuje kodiranje tisuća dokumenata bez prekoračenja ograničenja API-ja
- Dijeljenje na dijelove cijepa duge tekstove za bolju semantičku granuliranost
- Preklapanje od 10–20% između dijelova čuva kontekst
- Dijeljenje po odlomcima ili rečenicama poželjnije je od dijeljenja po znakovima
- Zadrži metapodatke (izvorni dokument, poziciju) za svaki dio