Klassifikazzjoni tat-test bl-użu ta' embeddings
F'din il-paġna
Għanijiet
- Ikklassifika test mingħajr ma tħarreġ mudell
- Implimenta klassifikazzjoni zero-shot u few-shot bl-użu ta’ embeddings
- Qabbel il-prestazzjoni ma’ klassifikatur superviżjonat ħafif
Klassifikazzjoni Zero-shot
It-tfittxija semantika ssib dokumenti simili għal mistoqsija fost eluf ta’ kandidati. Il-klassifikazzjoni taqleb din il-konfigurazzjoni mingħajr ma tbiddel il-mekkaniżmi sottostanti: id-”dokumenti” tiegħek issa huma l-kategoriji tiegħek (ħamsa jew għaxra minnhom), u l-”mistoqsija” hija t-test li trid tikklassifika. It-tikketta li l-embedding tagħha huwa l-eqreb issir il-previżjoni. L-ebda taħriġ, l-ebda data annotata, biss sejħa waħda għall-API.
Żewġ dettalji ta’ implimentazzjoni fil-kodiċi hawn taħt jisħqu attenzjoni. L-ewwel, it-test u l-ismijiet tal-kategoriji jidħlu f’sejħa waħda embeddings.create, li tnaqqas il-latency bin-numru ta’ tikketta. It-tieni, l-applikazzjoni ta’ softmax fuq l-iskor tas-similarità tikkonverti valuri mhux maħduma (tipikament ivarjaw bejn 0.3 u 0.5) f’probabbiltajiet li jammontaw għal 1. Tista’ turi dawn il-probabbiltajiet lil utent jew tqabbilhom ma’ limitu ta’ kunfidenza.
from openai import OpenAI
import numpy as np
client = OpenAI()
def classifier_zero_shot(
texte: str,
categories: list[str],
model: str = "text-embedding-3-large"
) -> dict:
"""Classifies text into categories without training."""
# Embeddings for categories
all_inputs = [texte] + categories
response = client.embeddings.create(
input=all_inputs,
model=model
)
embs = [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
texte_emb = np.array(embs[0])
cat_embs = np.array(embs[1:])
# Similarity with each category
scores = cat_embs @ texte_emb
# Softmax to get probabilities
exp_scores = np.exp(scores - np.max(scores))
probas = exp_scores / exp_scores.sum()
resultats = sorted(
zip(categories, probas),
key=lambda x: x[1], reverse=True
)
return {
"prediction": resultats[0][0],
"confiance": float(resultats[0][1]),
"scores": {cat: float(p) for cat, p in resultats}
}
# Usage
texte = "Le cours de l'action a chuté de 15% après l'annonce"
categories = ["Finance", "Sport", "Technologie", "Politique", "Santé"]
resultat = classifier_zero_shot(texte, categories)
print(f"Prédiction : {resultat['prediction']} "
f"({resultat['confiance']:.1%})")
print("Scores :", resultat["scores"])
F’dan l-eżempju, “il-prezz tal-ishma niżel bi 15% wara l-ħabbar” jinżel b’mod naturali fil-Finanzi. L-approċċ jilħaq limitu meta l-kategoriji huma tikketta interni li isimhom ma jiżvela xejn dwar il-kontenut tagħhom. Tikketta bħal “P1” jew “escalation ta’ livell 2” ma ġġorr l-ebda tifsira semantika sfruttabbli, u tagħmel il-klassifikazzjoni essenzjalment każwali.
Klassifikazzjoni Few-shot
Dan huwa eżattament dak li ssewwi l-klassifikazzjoni few-shot. Minflok ma tirrappreżenta kategorija bl-isem tagħha, tirrappreżentaha miċ-ċentrojde ta’ ftit eżempji reali. Il-kategorija “bug” m’għadhiex il-kelma “bug” iżda l-medja tal-embeddings għal “l-app jikkraċċja meta jiftaħ”, “żball 500 fuq il-paġna tal-login”, u “il-buttuna ma taħdimx fuq il-mowbajl”. Tlieta sa ħames eżempji għal kull klassi ġeneralment huma biżżejjed, u l-ispiża tibqa’ dik ta’ sejħa waħda għall-API peress li t-testijiet kollha jintbagħtu flimkien.
def classifier_few_shot(
texte: str,
exemples: dict[str, list[str]],
model: str = "text-embedding-3-large"
) -> dict:
"""Classifies by similarity to labeled examples.
Args:
exemples: {"category": ["example1", "example2", ...]}
"""
# Prepare all texts
tous_textes = [texte]
mapping = []
for cat, txts in exemples.items():
for t in txts:
tous_textes.append(t)
mapping.append(cat)
# Embeddings in a single call
response = client.embeddings.create(
input=tous_textes, model=model
)
embs = [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
texte_emb = np.array(embs[0])
# Average embeddings per category
cat_embeddings = {}
for i, cat in enumerate(mapping):
emb = np.array(embs[i + 1])
if cat not in cat_embeddings:
cat_embeddings[cat] = []
cat_embeddings[cat].append(emb)
cat_moyennes = {
cat: np.mean(embs_list, axis=0)
for cat, embs_list in cat_embeddings.items()
}
# Similarity
scores = {
cat: float(np.dot(texte_emb, emb_moy) /
(np.linalg.norm(texte_emb) * np.linalg.norm(emb_moy)))
for cat, emb_moy in cat_moyennes.items()
}
prediction = max(scores, key=scores.get)
return {"prediction": prediction, "scores": scores}
# Usage
exemples = {
"bug": [
"L'application crash au démarrage",
"Erreur 500 sur la page de connexion",
"Le bouton ne fonctionne pas sur mobile",
],
"feature": [
"Pourriez-vous ajouter un mode sombre ?",
"Il serait utile d'exporter en PDF",
"Suggestion : intégrer un calendrier",
],
"question": [
"Comment changer mon mot de passe ?",
"Où trouver les paramètres de notification ?",
"Quelle est la limite de stockage ?",
],
}
texte = "L'export CSV ne contient pas toutes les colonnes"
resultat = classifier_few_shot(texte, exemples)
print(f"Catégorie : {resultat['prediction']}")
It-ticket tat-test—“l-esportazzjoni CSV fiha nuqqas ta’ kolonni”—ma fihiex il-kelma “bug” jew “żball”, iżda tixbah lit-tliet eżempji ta’ ħsara pprovduti, allura hemmhekk tinżel. Innota li l-medja tal-embeddings tassumi kategorija omoġenja. Jekk l-eżempji tal-”mistoqsija” tiegħek iħalltu mistoqsijiet dwar il-fatturazzjoni ma’ mistoqsijiet dwar l-API, iċ-ċentrojde tagħhom se jaqa’ f’art imwarrba semantikament. F’dak il-każ, huwa aħjar li taqsam il-kategorija.
Klassifikatur superviżjonat ħafif
Meta jkollok diversi għexieren ta’ eżempji għal kull klassi, il-medja ssir ħela ta’ informazzjoni: tiċċatta l-forma tas-sħaba ta’ punti. Klassifikatur lineari mħarreġ fuq l-istess embeddings jitgħallem fruntiera ta’ deċiżjoni minflok. L-embedding jittratta l-fehim tal-lingwa, filwaqt li LogisticRegression sempliċiment tiġbed linja ġeometrika f’dak l-ispazju. Dan jirriżulta f’ħinijiet ta’ taħriġ ta’ ftit sekondi fuq CPU standard, filwaqt li t-titjib (fine-tuning) ta’ mudell tal-lingwa jkun jeħtieġ GPU.
Il-validazzjoni incroċjata b’ħames piegi (five-fold cross-validation) mhix biss għall-wiri. Tagħtik id-devjazzjoni standard tal-preċiżjoni, u tipprovdi sens ta’ kemm hija affidabbli l-istima tiegħek. Punteġġ ta’ 0.91 ± 0.02 huwa użabbli; 0.91 ± 0.15 jindika dataset li huwa żgħir wisq jew mhux ibbilanċjat.
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
import numpy as np
def entrainer_classifieur(
textes: list[str],
labels: list[str],
model: str = "text-embedding-3-large"
) -> LogisticRegression:
"""Trains a classifier on embeddings."""
# Generate embeddings
response = client.embeddings.create(
input=textes, model=model
)
X = np.array([d.embedding for d in sorted(response.data, key=lambda x: x.index)])
# Train a classifier
clf = LogisticRegression(max_iter=1000)
# Cross-validation
scores = cross_val_score(clf, X, labels, cv=5)
print(f"Accuracy (5-fold CV) : {scores.mean():.3f} ± {scores.std():.3f}")
# Train on the full dataset
clf.fit(X, labels)
return clf
def predire(clf, texte: str, model: str = "text-embedding-3-large") -> str:
"""Predicts the category of a text."""
emb = client.embeddings.create(
input=texte, model=model
).data[0].embedding
return clf.predict([emb])[0]
Tqabbil tal-approċċi
| Approċċ | Eżempji meħtieġa | Preċiżjoni | Latency |
|---|---|---|---|
| Zero-shot | 0 | ~70-80% | Sejħa waħda għall-API |
| Few-shot (3-5/klassi) | 15-25 | ~80-90% | Sejħa waħda għall-API |
| Superviżjonat (50+/klassi) | 250+ | ~90-95% | Sejħa waħda għall-API + inferenza |
Meta taqra dawn it-tliet linji f’ordni, jiddeskrivu progressjoni li tista’ ssegwi matul iċ-ċiklu tal-ħajja tal-prodott. Ibda b’zero-shot l-ewwel jum, mingħajr l-ebda data. Ladarba tkun ikkoreġejt manwalment għoxrin previżjoni jew hekk, erġa’ uża bħala eżempji few-shot. Meta l-volum tal-annotazzjoni jaqbeż il-ħamsin għal kull klassi, ħarreġ il-klassifikatur superviżjonat. Żomm f’moħħok li r-ringiela tal-”latency” tfakkrek li anke l-mudell superviżjonat jibqa’ mgħaġġel; l-inferenza lokali żżid overhead negliġibbli meta mqabbla mas-sejħa għall-API tal-embedding.
Punti Ewlenin
- Il-klassifikazzjoni Zero-shot tqabbel it-test mat-tikketti permezz ta’ embeddings
- Few-shot tuża eżempji biex tiddefinixxi kull kategorija
- Klassifikatur superviżjonat (LogisticRegression) jikseb l-aħjar prestazzjoni
- Ibda b’zero-shot, imbagħad żid eżempji jekk il-preċiżjoni ma tkunx biżżejjed