Beágyazások finomhangolása
Ezen az oldalon
Célok
- Megérteni, mikor szükséges a beágyazások finomhangolása
- Páros adathalmaz előkészítése a tanításhoz
- Finomhangolás megvalósítása könnyűsúlyú adapterekkel
Mikor érdemes finomhangolni?
Kezdjük a rossz hírrel, ami valójában jó: a legtöbb esetben az előre tanított beágyazási modellek tökéletesen működnek, és a finomhangolás felesleges erőfeszítés. Csak három helyzet indokolja igazán. Az első egy erősen specializált szókincset igénylő terület – orvostudomány, jog, ipar –, ahol az általános modell nem tudja, hogy az „MI“ és a „szívinfarktus“ ugyanarra utal. A második eset, amikor plafonra érsz: optimalizáltad a darabolást, hozzáadtad a hibrid keresést és az újrarendezést, de a mutatók nem mozdulnak. A harmadik eset pedig egyszerűen az, ha vannak kéznél annotált szövegpárjaid, hasonlóak vagy különbözőek, amelyek tétlenül hevernek a keresési naplóidban.
Ezzel szemben hagyd ki a finomhangolást, ha kevesebb mint ezer annotált párod van: a tanítás memorizálni fogja a példáidat általánosítás nélkül. Akkor is hagyd ki, ha a teljesítmény már kielégítő – két pontnyi javulás a visszaidézésben nem éri meg egy extra modell karbantartását. És mindenekelőtt ellenőrizd, hogy egy jobb darabolás vagy egy jobb prompt nem oldaná-e meg a problémát: ez szinte mindig olcsóbb és gyorsabb.
1. megközelítés: Lineáris adapter (Matryoshka)
A leggazdaságosabb megközelítés érintetlenül hagyja a beágyazási modellt. Hagyod, hogy előállítsa a vektorait, majd tanítasz rá egy kis vetítési réteget, amely úgy torzítja a teret, hogy közelebb hozza egymáshoz azt, aminek közel kell lennie a te doménedben. Az OpenAI modellje egy feketedoboz marad, amelyet API-n keresztül hívsz meg; csak néhány százezer paramétert tanítasz, CPU-n, percek alatt.
A tanítás hármasokon (tripleteken) alapul: egy lekérdezés, egy erre választ adó dokumentum, és egy dokumentum, amely ugyanarról a témáról szól, de nem ad választ. Nézd meg az alábbi orvosi példákat – a „paracetamol mellékhatásai“ lekérdezés negatív mintája nem egy focis szöveg, hanem egy a patikákban kapható paracetamolról szóló szöveg. Ezt hívják kemény negatív mintának (hard negative), és ez az, ami tanít valamit a modellnek: egy nyilvánvaló negatív minta semmit sem javít, mivel az általános modell ezt már helyesen osztályozta.
import numpy as np
from openai import OpenAI
from sklearn.model_selection import train_test_split
client = OpenAI()
# Dataset of pairs (query, positive_document, negative_document)
triplets = [
{
"query": "paracetamol side effects",
"positive": "Paracetamol can cause liver disorders...",
"negative": "Paracetamol is available in pharmacies..."
},
{
"query": "children's aspirin dosage",
"positive": "For children aged 6 to 12, the recommended dose...",
"negative": "Aspirin was discovered in the 19th century..."
},
# ... more triplets
]
def prepare_embeddings(triplets: list[dict]) -> dict:
"""Generate embeddings for the triplets."""
all_texts = []
for t in triplets:
all_texts.extend([t["query"], t["positive"], t["negative"]])
response = client.embeddings.create(
input=all_texts,
model="text-embedding-3-large"
)
embs = np.array(
[d.embedding for d in sorted(response.data, key=lambda x: x.index)]
)
n = len(triplets)
return {
"queries": embs[0::3],
"positives": embs[1::3],
"negatives": embs[2::3],
}
Maga az adapter egy kétrétegű hálózat, amely a modell 3072 dimenzióját 256-ra vetíti le, végső normalizálással, hogy a kimeneti vektorok továbbra is összehasonlíthatók maradjanak koszinusz-hasonlóság alapján. A veszteségfüggvény egy triplet margin loss: akkor nulla, ha a lekérdezés legalább 0,2 marginnal közelebb van a pozitívhoz, mint a negatívhoz, egyébként arányosan büntet. Más szóval, csak azt tanítod meg a modellnek, amit még nem értett meg, és a tanítás természetesen stabilizálódik, amint a hármasok jól elkülönülnek.
import torch
import torch.nn as nn
import torch.optim as optim
class EmbeddingAdapter(nn.Module):
"""Projection layer to adapt embeddings."""
def __init__(self, input_dim: int = 3072, output_dim: int = 256):
super().__init__()
self.projection = nn.Sequential(
nn.Linear(input_dim, output_dim),
nn.ReLU(),
nn.Linear(output_dim, output_dim),
)
def forward(self, x):
projected = self.projection(x)
return projected / projected.norm(dim=-1, keepdim=True)
def triplet_loss(anchor, positive, negative, margin=0.2):
"""Triplet margin loss."""
dist_pos = 1 - torch.cosine_similarity(anchor, positive)
dist_neg = 1 - torch.cosine_similarity(anchor, negative)
return torch.relu(dist_pos - dist_neg + margin).mean()
def train_adapter(data: dict, epochs: int = 50):
"""Train the adapter on triplets."""
model = EmbeddingAdapter()
optimizer = optim.Adam(model.parameters(), lr=1e-3)
queries = torch.tensor(data["queries"], dtype=torch.float32)
positives = torch.tensor(data["positives"], dtype=torch.float32)
negatives = torch.tensor(data["negatives"], dtype=torch.float32)
for epoch in range(epochs):
optimizer.zero_grad()
q_proj = model(queries)
p_proj = model(positives)
n_proj = model(negatives)
loss = triplet_loss(q_proj, p_proj, n_proj)
loss.backward()
optimizer.step()
if (epoch + 1) % 10 == 0:
print(f"Epoch {epoch + 1}/{epochs}, Loss: {loss.item():.4f}")
return model
# Train
data = prepare_embeddings(triplets)
adapter = train_adapter(data)
# Save
torch.save(adapter.state_dict(), "medical_adapter.pt")
Egy működési szempont, amit nem hagyhatsz figyelmen kívül: azon a napon, amikor bevezeted ezt az adaptert, az adatbázisodban már tárolt minden egyes vektornak újra át kell esnie a vetítésen, különben két különböző térből származó vektorokat hasonlítanál össze. Tervezd meg a teljes korpusz újraindexelését a produkciós bevezetés során.
2. megközelítés: Finomhangolás Sentence Transformers segítségével
Amikor az adapter nem elég, magának a beágyazási modellnek a módosítására van szükség, amihez egy nyílt forráskódú modell szükséges, amelyet te hosztolsz – itt a BAAI/bge-large-en-v1.5. A Sentence Transformers ezt elérhetővé teszi: a példákat szövegpárokként írod le folytonos címkével, ahol az 1,0 azt jelenti, hogy „ennek a két szövegnek közel kell lennie“, a 0,2 pedig azt, hogy „felületesen hasonlónak tűnnek, taszítsd őket egymástól“. A CosineSimilarityLoss ezután a kiszámított koszinusz-hasonlóságot a megadott címke felé tolja.
Három epoch és száz warmup lépés konzervatív értékek, és jó okkal: szerény méretű adathalmazon a túl hosszú tanítás tönkreteszi a modell általános tudását, így az a te példáidon kiváló lesz, minden más területen pedig közepes.
from sentence_transformers import (
SentenceTransformer, InputExample, losses
)
from torch.utils.data import DataLoader
# Load a base model
model = SentenceTransformer("BAAI/bge-large-en-v1.5")
# Prepare training examples
train_examples = [
InputExample(
texts=["paracetamol side effects",
"Paracetamol can cause liver disorders"],
label=1.0
),
InputExample(
texts=["paracetamol side effects",
"Paracetamol is sold in pharmacies"],
label=0.2
),
]
train_dataloader = DataLoader(train_examples, shuffle=True, batch_size=16)
train_loss = losses.CosineSimilarityLoss(model)
# Train
model.fit(
train_objectives=[(train_dataloader, train_loss)],
epochs=3,
warmup_steps=100,
output_path="./finetuned_medical_model"
)
# Use the fine-tuned model
embeddings = model.encode([
"abdominal pain after taking medication",
"adverse drug effects"
])
Minőségi adathalmaz előkészítése
Itt rejlik az igazi akadály: senkinek nincs kéznél ezer annotált pár. A megoldás az, hogy abból építed fel őket, amid már van, nevezetesen a dokumentumaidból. Minden egyes dokumentumot beküldesz az LLM-nek azzal a kéréssel, hogy generálja le azokat a kérdéseket, amelyekre pontosan választ ad, így manuális annotálás nélkül kapsz kérdés-dokumentum párokat. A 0,7-es hőmérséklet biztosítja, hogy ugyanahhoz a dokumentumhoz generált három kérdés ne ugyanannak a mondatnak három variánsa legyen, a lstrip pedig megtisztítja a modell által spontán hozzáadott számozást.
def generate_training_pairs(
documents: list[str],
n_per_doc: int = 3
) -> list[dict]:
"""Generate query-document pairs for training."""
pairs = []
for doc in documents:
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Here is a document:\n\n{doc[:500]}\n\n"
f"Generate {n_per_doc} questions that this document "
f"answers precisely. One question per line."
)
}],
temperature=0.7
)
questions = response.choices[0].message.content.strip().split("\n")
for q in questions[:n_per_doc]:
q = q.strip().lstrip("0123456789.-) ")
if q:
pairs.append({"query": q, "document": doc})
return pairs
A finomhangolás értékelése
A csökkenő veszteséggel történő tanítás semmit sem bizonyít: az egyetlen kérdés, ami számít, az az, hogy javult-e a keresés. Az alábbi függvény a recall@5 mutatót méri ugyanazon lekérdezések halmazán, adapterrel és anélkül, egyszerűen az adapter=None átadásával az alapvonal获取ásához. Mind a korpusz, mind a lekérdezések átesnek a vetítésen, ha az rendelkezésre áll, ami annak a feltétele, hogy mindkét vektor ugyanabban a térben legyen.
Mindig futtasd le ezt az összehasonlítást bevezetés előtt. Rendszeresen előfordul, hogy egy túl kevés hármason tanított adapter rontja a visszaidézést, és mérés nélkül úgy vezetnél be regressziót, hogy azt hitted, javítást vezetsz be.
def evaluate_before_after(
queries: list[str],
relevant_docs: list[list[str]],
corpus: list[str],
adapter=None
):
"""Compare performance before and after fine-tuning."""
resp = client.embeddings.create(
input=corpus, model="text-embedding-3-large"
)
corpus_embs = np.array(
[d.embedding for d in sorted(resp.data, key=lambda x: x.index)]
)
if adapter:
corpus_embs_adapted = adapter(
torch.tensor(corpus_embs, dtype=torch.float32)
).detach().numpy()
else:
corpus_embs_adapted = corpus_embs
recall_scores = []
for query, relevants in zip(queries, relevant_docs):
q_resp = client.embeddings.create(
input=query, model="text-embedding-3-large"
)
q_emb = np.array(q_resp.data[0].embedding)
if adapter:
q_emb = adapter(
torch.tensor(q_emb, dtype=torch.float32).unsqueeze(0)
).detach().numpy()[0]
scores = corpus_embs_adapted @ q_emb
top_5 = set(np.argsort(scores)[-5:])
relevant_ids = set(
i for i, d in enumerate(corpus) if d in relevants
)
recall = len(top_5 & relevant_ids) / len(relevant_ids)
recall_scores.append(recall)
return np.mean(recall_scores)
Főbb megállapítások
- A beágyazások finomhangolása javítja a teljesítményt specializált doménekben
- A lineáris adapter a legegyszerűbb módszer, és gyakran elegendő
- A Sentence Transformers lehetővé teszi a teljes modell mélyebb finomhangolását
- Legalább 1000 annotált pár ajánlott
- Mindig végezz értékelést előtte és utána a nyereség igazolásához