Ir-raffinar tal-embeddings
F'din il-paġna
Għanijiet
- tifhem meta jkun meħtieġ ir-raffinar tal-embeddings
- tħejji sett ta’ data ta’ pari għat-taħriġ
- timplimenta r-raffinar b’adattaturi ħfief
Meta tagħmel raffinament?
Ejja nibdew bl-aħbar ħażina, li fil-fatt hija tajba: fil-biċċa l-kbira tal-każijiet, il-mudelli tal-embeddings imħarrġa minn qabel jaħdmu perfettament, u r-raffinar huwa telf ta’ ħin. Hemm biss tliet sitwazzjonijiet li jiġġustifikawh verament. L-ewwel hija qasam b’vokabolarju speċjalizzat ħafna—mediċina, liġi, industrija—fejn il-mudell ġeneriku ma jafx li “MI” u “infart mijokardijaku” jirreferu għall-istess ħaġa. It-tieni hija meta tilħaq pjanċa: ottimizzajt il-qtugħ (chunking), żidt tfittxija ibrida u reranking, u l-metriki ma jiċċaqalqu xejn. It-tielet hija sempliċiment li jkollok pari ta’ testi annotati fuq idejk, simili jew dissimili, li qed jogħġbu f’reġistri tat-tfittxija tiegħek.
Bil-kontra, aqbeż ir-raffinar jekk għandek inqas minn elf par annotat: it-taħriġ se jiftakar l-eżempji tiegħek mingħajr ma jiġġeneralizza. Aqbiżu wkoll jekk il-prestazzjoni diġà hija sodisfaċenti—qligħ ta’ żewġ punti fir-recall ma jiswa xejn meta mqabbel mal-isforz li żżomm mudell addizzjonali. U fuq kollox, ivverifika li qtugħ aħjar jew prompt aħjar ma jsolvux il-problema: kważi dejjem ikun irħas u aktar mgħaġġel.
Approċċ 1: Adattatur lineari (Matryoshka)
L-aktar approċċ ekonomiku jħalli l-mudell tal-embedding intatt. Tħallih jipproduċi l-vetturi tiegħu, imbagħad taħriġ saff żgħir ta’ projezzjoni fuqu li jbiegħed l-ispazju biex iġib eqreb x’għandu jkun qrib fid-dominju tiegħek. Il-mudell ta’ OpenAI jibqa’ kaxxa sewda msejħa permezz tal-API; biss ftit mijiet ta’ eluf ta’ parametri jiġu mħarrġa, fuq CPU, f’ftit minuti.
It-taħriġ jiddependi fuq tripletti: mistoqsija, dokument li jwieġibha, u dokument li jkopri l-istess suġġett iżda ma jwieġibhiex. Ħares lejn l-eżempji mediċi hawn taħt—in-negattiv għal “effetti sekondarji tal-paracetamol” mhuwiex test dwar il-futbol, iżda test dwar il-paracetamol mibjugħ fl-ispiżeriji. Dan jissejjaħ negattiv iebsa (hard negative), u huwa dak li jgħallem lill-mudell xi ħaġa: negattiv ovvju ma jikkoreġi xejn peress li l-mudell ġeneriku diġà kklassifikah korrettament.
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],
}
L-adattatur innifsu huwa netwerk ta’ żewġ saffi li jipprojetta d-3,072 dimensjoni tal-mudell ‘l isfel għal 256, b’normalizzazzjoni finali sabiex il-vetturi tal-output jibqgħu komparabbli permezz tas-similarità tal-kożinu. Il-funzjoni tat-telf hija triplet margin loss: tkun żero malli l-mistoqsija tkun eqreb lejn il-pożittiv milli lejn in-negattiv b’marġni ta’ mill-inqas 0.2, u tieħu penalità proporzjonali mod ieħor. Fi kliem ieħor, tgħallem lill-mudell biss dak li għadu ma fehimx, u t-taħriġ jistabbilizza naturalment ladarba t-tripletti jkunu separati sew.
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")
Punt operattiv li ma tistax titlef: il-jum li tiddispjega dan l-adattatur, kull vettur diġà maħżun fil-bażi tad-data tiegħek irid jgħaddi mill-projezzjoni mill-ġdid, inkella tkun qed tqabbel vetturi minn żewġ spazji differenti. Ippjana għal reindicizzazzjoni sħiħa tal-korpus fir-rollout tal-produzzjoni tiegħek.
Approċċ 2: Raffinar b’Sentence Transformers
Meta l-adattatur ma jkunx biżżejjed, trid timmodifika l-mudell tal-embedding innifsu, li jeħtieġ mudell miftuħ li tospita int—hawnhekk BAAI/bge-large-en-v1.5. Sentence Transformers jagħmel dan aċċessibbli: tiddeskrivi l-eżempji bħala pari ta’ testi b’tikketta kontinwa, fejn 1.0 tfisser “dawn iż-żewġ testi għandhom ikunu qrib xulxin” u 0.2 tfisser “jidhru simili superficialment, ibiegħdhom”. Il-CosineSimilarityLoss imbagħad timbotta s-similarità tal-kożinu kkalkulata lejn it-tikketta pprovduta.
Tliet epoki u mitt pass ta’ tisħin (warmup) huma valuri konservattivi, u għal raġuni tajba: fuq sett ta’ data modest, taħriġ twil wisq jeqred l-għarfien ġenerali tal-mudell, u jagħmlu eċċellenti fuq l-eżempji tiegħek u medjokru kullimkien ieħor.
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"
])
Tħejjija ta’ sett ta’ data ta’ kwalità
Hawnhekk jinsab l-ostakolu reali: ħadd m’għandu elf par annotat mimxi madwaru. Is-soluzzjoni hija li tibnihom minn dak li diġà għandek, jiġifieri d-dokumenti tiegħek. Tibgħat kull dokument lill-LLM u titlob il-mistoqsijiet li jwieġeb preċiżament, u tikseb pari ta’ mistoqsija-dokument mingħajr l-ebda annotazzjoni manwali. Temperatura ta’ 0.7 tiżgura li t-tliet mistoqsijiet iġġenerati għall-istess dokument ma jkunux tliet varjanti tal-istess sentenza, u lstrip tnaddaf in-numerazzjoni li l-mudell iżid spontanjament.
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
Evalwazzjoni tar-raffinar
It-taħriġ b’telf li jonqos ma jipprova xejn: l-unika mistoqsija li tgħodd hija jekk it-tfittxija titjibx. Il-funzjoni hawn taħt tkejjel ir-recall@5 fuq l-istess sett ta’ mistoqsijiet, bl-adattatur u mingħajru, sempliċiment billi tgħaddi adapter=None biex tikseb il-linja bażi. Kemm il-korpus kif ukoll il-mistoqsijiet jgħaddu mill-projezzjoni meta pprovduta, li hija l-kundizzjoni biex iż-żewġ vetturi jgħixu fl-istess spazju.
Dejjem ħaddem din il-komparazzjoni qabel ma tiddispjega. Jiġri regolarment li adattatur imħarreġ fuq ftit tripletti wisq jiddeterjora r-recall, u mingħajr kejl tkun qed tippubblika regressjoni taħseb li ppubblikajt titjib.
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)
Punti Ewlenin
- Ir-raffinar tal-embeddings itejjeb il-prestazzjoni fuq domini speċjalizzati
- Adattatur lineari huwa l-aktar metodu sempliċi u spiss biżżejjed
- Sentence Transformers jippermetti raffinament aktar fond tal-mudell sħiħ
- Huwa rrakkomandat minimu ta’ 1,000 par annotat
- Dejjem evalwa qabel u wara biex tivvalida l-qligħ