Wykrywanie anomalii i duplikatów
Na tej stronie
Cele
- Wykrywanie nieprawidłowych tekstów w korpusie
- Identyfikacja duplikatów semantycznych
- Budowa potoku deduplikacji
Wykrywanie anomalii
Dwa zastosowania omawiane w tej lekcji opierają się na tej samej intuicji, zastosowanej jednak na przeciwnych końcach skali podobieństwa. Tekst jest „nieprawidłowy“, jeśli jest semantycznie odległy od wszystkiego innego w korpusie; tekst jest duplikatem, jeśli jest zbyt podobny. Embeddingi pozwalają zmierzyć ten dystans w obu przypadkach. Większość pracy polega na kalibracji progów.
Pierwsze podejście polega na zbudowaniu centroidu korpusu – średniej wszystkich wektorów, która reprezentuje „zwykły temat tego korpusu“ – a następnie zmierzeniu, jak bardzo każdy tekst odbiega od tego punktu. Próg celowo nie jest wartością bezwzględną, lecz percentylem: nie możesz z góry wiedzieć, jak daleko znajduje się anomalia, ale wiesz, że chcesz przeanalizować 5% najbardziej nietypowych przypadków.
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]}...")
Przykładowy korpus mówi sam za siebie: pięć zdań dotyczących polityki kadrowej i jedna próba wstrzyknięcia kodu SQL. Żaden filtr słów kluczowych nie wykryłby tego ataku bez wcześniej zdefiniowanej reguły; odległość od centroidu sygnalizuje go bez żadnego wcześniejszego założenia. To główny argument za stosowaniem tej metody do monitorowania strumienia przychodzących dokumentów.
Centroid ma jednak słabość: zakłada, że korpus obraca się wokół jednego tematu. Jeśli Twoje dokumenty obejmują trzy bardzo różne domeny, punkt średni wpada w semantyczną pustkę, a wszystkie teksty wydają się równie odległe. Podejście oparte na k najbliższych sąsiadach (k-NN) omija ten problem, oceniając każdy tekst na podstawie jego bezpośredniego otoczenia, a nie całego zbioru: dokument należący do mniejszościowej grupy pozostaje normalny, dopóki ma sąsiadów.
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
Semantyczne wykrywanie duplikatów
Na drugim końcu skali znajdują się teksty, które są zbyt podobne. Dwa wpisy mogą być duplikatami nawet przy użyciu różnych słów – „Jak zresetować hasło?“ i „Zapomniałem hasła, co robić?“ mają tylko trzy wspólne słowa – i właśnie tego nie wykryje ani haszowanie, ani porównanie ciągów znaków. Embeddingi je wykrywają.
Funkcja oblicza pełną macierz podobieństwa i zwraca wszystkie pary powyżej progu. Uważaj na koszt: to porównanie jest kwadratowe, co pozostaje natychmiastowe dla kilku tysięcy tekstów, ale staje się niewykonalne dla miliona – wtedy musisz użyć indeksu przybliżonego, takiego jak te omawiane w kontekście baz danych wektorowych.
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']}")
Wywołanie tutaj używa progu 0,85 zamiast domyślnego 0,90, ponieważ przeformułowania tego samego pytania wsparcia często wypadają znacznie poniżej 0,90. To ustawienie, nad którym spędzisz najwięcej czasu: jeśli ustawisz go zbyt wysoko, przepuścisz duplikaty; jeśli zbyt nisko, połączysz „jak zmienić hasło“ z „jak zmienić adres e-mail“, czyli dwa różne pytania, które wyglądają bardzo podobnie.
Potok deduplikacji
Wykrycie par to za mało, aby wyczyścić korpus. Jeśli A przypomina B, a B przypomina C, wszystkie trzy należą do tej samej grupy, nawet jeśli A i C nigdy nie zostały bezpośrednio porównane powyżej progu. Grupowanie tranzytywne to właściwa praca, a struktura Union-Find (rozłączne zbiory) obsługuje ją w jednym przebiegu: każda wykryta para scala dwa zbiory, co na końcu daje w pełni ukształtowane grupy duplikatów.
Nadal musisz wybrać, który element przetrwa. Zasada użyta tutaj – najkrótszy tekst – sprawdza się w przypadku pytań wsparcia, gdzie najbardziej zwięzłe sformułowanie jest często tym najbardziej kanonicznym. W przypadku korpusu dokumentów prawdopodobnie będziesz chciał odwrotnie, lub wybrać najnowszy: to decyzja biznesowa, a nie szczegół techniczny. Zwracany słownik przechowuje listę usuniętych tekstów, aby człowiek mógł zweryfikować przypadki brzegowe przed zatwierdzeniem.
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']}")
Zastosowana przed indeksem RAG, ta deduplikacja ma bezpośredni wpływ na jakość: zapobiega sytuacji, w której pięć wyników zwróconych dla pytania to pięć wersji tego samego fragmentu, co pozbawiłoby generatora wszelkich dodatkowych informacji.
Kluczowe wnioski
- Odległość od centroidu lub k-NN wykrywa nieprawidłowe teksty
- Podobieństwo kosinusowe powyżej progu identyfikuje duplikaty
- Union-Find efektywnie grupuje duplikaty tranzytywne
- Skalibruj progi na swoich danych (zazwyczaj 0,85–0,95 dla duplikatów)