Przejdź do głównej treści
Polski— Wybierz język
Menu

Wykrywanie anomalii i duplikatów

Lekcja 20 z 22 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Cele
  2. Wykrywanie anomalii
  3. Semantyczne wykrywanie duplikatów
  4. Potok deduplikacji
  5. Kluczowe wnioski

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)