Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Detezzjoni ta' Anomaliji u Duplikati

Lezzjoni 20 / 22 Aġġornat 29 ta’ Lulju 2026 Zviluppatur
F'din il-paġna
  1. Għanijiet
  2. Detezzjoni ta’ Anomaliji
  3. Detezzjoni Semantika ta’ Duplikati
  4. Pipeline tad-Deduplikazzjoni
  5. Punti Ewlenin

Għanijiet

  • Tiskopri testi anormali fi ħdan korp ta’ testi
  • Tidentifika duplikati semantiċi
  • Tibni pipeline għad-deduplikazzjoni

Detezzjoni ta’ Anomaliji

Iż-żewġ applikazzjonijiet f’din il-lezzjoni jaqsmu l-istess intuizzjoni, applikata għat-truf opposti tal-iskala tas-similarità. Test huwa “anormali” jekk huwa semantikament ‘il bogħod minn kull ħaġa oħra fil-korp; test huwa duplikat jekk huwa qrib wisq. L-embeddings jħalluk tkejjel din id-distanza fiż-żewġ każijiet. Il-biċċa l-kbira tax-xogħol tinvolvi l-kalibrazzjoni tal-limiti (thresholds).

L-ewwel approċċ jibni ċ-ċentrojde tal-korp—il-medja tal-vetturi kollha, li tirrappreżenta “is-suġġett tas-soltu ta’ dan il-korp”—imbagħad ikejjel kemm jiddevja kull test minnu. Il-limitu intenzjonalment mhuwiex valur assolut iżda perċentil: ma tistax tkun taf minn qabel kemm ‘il bogħod tinsab anomalija, iżda taf li trid teżamina l-5% l-aktar atipiċi.

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]}...")

Il-korp ta’ eżempju jirrakkonta l-istorja: ħames sentenzi dwar il-politika tar-riżorsi umani u tentattiv wieħed ta’ injezzjoni SQL. L-ebda filtru ta’ kliem ma kien jaqbad l-injezzjoni mingħajr regola miktuba minn qabel; id-distanza miċ-ċentrojde tiffaċċjah mingħajr l-ebda antiċipazzjoni minn qabel. Dan huwa l-argument ewlieni biex tuża l-metodu biex timmonitorja fluss ta’ dokumenti li qed jaslu.

Iċ-ċentrojde għandu dgħufija: jassumi li l-korp idur madwar tema waħda. Jekk id-dokumenti tiegħek ikopru tliet oqsma differenti ħafna, il-punt medju jaqa’ f’vojt semantiku, u t-testi kollha jidhru ekwidistanti. L-approċċ tal-ġirien l-aktar qrib (k-nearest neighbors) jevita dan billi jiġġudika kull test ibbażat fuq il-viċinat immedjat tiegħu minflok is-sett kollu: dokument li jappartjeni għal grupp minoritarju jibqa’ normali sakemm ikollu ġirien.

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

Detezzjoni Semantika ta’ Duplikati

Fit-tarf l-ieħor tal-iskala hemm testi li huma qrib wisq. Żewġ entrati jistgħu jkunu duplikati anke b’kliem differenti—“Kif nirriżettja l-password tiegħi?” u “Insejt il-password, x’għandi nagħmel?” jaqsmu tliet kliem komuni biss—u dan huwa eżattament dak li l-hash jew it-tqabbil ta’ strings qatt ma jaqbdu. L-embeddings jiskopruhom.

Il-funzjoni tikkalkula l-matriċi sħiħa tas-similarità u tirritorna l-pari kollha fuq il-limitu. Ara l-ispiża: dan it-tqabbil huwa kwadratiku, li jibqa’ istantanju għal ftit eluf ta’ testi iżda jsir imprattikabbli għal miljun—mbagħad trid tuża indiċi approssimattiv bħal dawk koperti mal-bażijiet tad-data vettorjali.

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']}")

Is-sejħa hawnhekk tuża limitu ta’ 0.85 minflok id-default ta’ 0.90 għax ir-riformulazzjonijiet tal-istess mistoqsija ta’ appoġġ spiss jaqgħu ferm taħt 0.90. Din hija l-issettjar li se tqatta’ l-aktar ħin tikkalibra: jekk tpoġġih għoli wisq, tħalli d-duplikati jgħaddu; jekk tpoġġih baxx wisq, tgħaqqad “kif nibdel il-password tiegħi” ma’ “kif nibdel l-indirizz tal-email tiegħi”, żewġ mistoqsijiet distinti li jidhru simili ħafna.

Pipeline tad-Deduplikazzjoni

L-iskoperta ta’ pari mhix biżżejjed biex tnaddaf korp ta’ testi. Jekk A jixbah lil B u B jixbah lil C, it-tlieta jappartjenu għall-istess grupp, anke jekk A u C qatt ma tqabblu direttament fuq il-limitu. Il-gruppjar transitiv huwa x-xogħol reali, u l-istruttura Union-Find tittrattah f’daqqa waħda: kull par skopert jgħaqqad żewġ settijiet, u jipproduċi gruppi ta’ duplikati ffurmati kompletament fl-aħħar.

Għadek trid tagħżel liema membru jibqa’ ħaj. Ir-regola użata hawn—hekk l-iqsar test—taħdem tajjeb għal mistoqsijiet ta’ appoġġ, fejn il-formulazzjoni l-aktar konċiża spiss hija l-aktar kanonika. Għal korp ta’ dokumenti, x’aktarx li trid l-oppost, jew l-aktar riċenti: din hija deċiżjoni tan-negozju, mhux dettall tekniku. Id-dizzjunarju rritornat iżomm il-lista ta’ testi mħassra biex bniedem ikun jista’ jivverifika l-każijiet marġinali qabel ma japprovahom.

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']}")

Meta tiġi applikata qabel indiċi RAG, din id-deduplikazzjoni għandha effett dirett fuq il-kwalità: tipprevjeni li l-ħames riżultati rritornati għal mistoqsija jkunu ħames verżjonijiet tal-istess passagg, li kieku jċaħħad il-ġeneratur minn kwalunkwe informazzjoni addizzjonali.

Punti Ewlenin

  • Id-distanza miċ-ċentrojde jew k-NN tiskopri testi anormali
  • Is-similarità tal-kosinu fuq limitu tidentifika d-duplikati
  • Union-Find tiggruppa b’mod effiċjenti d-duplikati transitivi
  • Ikkalibra l-limiti fuq id-data tiegħek (tipikament 0.85–0.95 għad-duplikati)