Przejdź do głównej treści
Polski— Wybierz język
Menu

Dostrajanie embeddingów

Lekcja 21 z 22 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Cele
  2. Kiedy dostrajać?
  3. Podejście 1: Liniowy adapter (Matryoshka)
  4. Podejście 2: Dostrajanie z Sentence Transformers
  5. Przygotowanie wysokiej jakości zbioru danych
  6. Ewaluacja dostrajania
  7. Kluczowe wnioski

Cele

  • Zrozumienie, kiedy dostrajanie embeddingów jest konieczne
  • Przygotowanie zbioru danych par do treningu
  • Implementacja dostrajania za pomocą lekkich adapterów

Kiedy dostrajać?

Zacznijmy od złych wiadomości, które w rzeczywistości są dobre: w większości przypadków wstępnie wytrenowane modele embeddingowe działają doskonale, a dostrajanie to strata czasu. Tylko trzy sytuacje naprawdę to uzasadniają. Pierwsza to dziedzina o wysoce wyspecjalizowanym słownictwie – medycyna, prawo, przemysł – gdzie ogólny model nie wie, że „MI“ i „zawał mięśnia sercowego“ oznaczają to samo. Druga to osiągnięcie plateau: zoptymalizowałeś chunking, dodałeś wyszukiwanie hybrydowe i reranking, a metryki ani drgną. Trzecia to po prostu posiadanie pod ręką oznaczonych par tekstów, podobnych lub niepodobnych, leżących odłogiem w Twoich logach wyszukiwania.

Z drugiej strony, pomiń dostrajanie, jeśli masz mniej niż tysiąc oznaczonych par: trening zapamięta Twoje przykłady, zamiast się uogólniać. Pomiń je również, jeśli wydajność jest już zadowalająca – dwupunktowy wzrost w recall nie jest wart utrzymywania dodatkowego modelu. Przede wszystkim jednak sprawdź, czy lepszy chunking lub lepszy prompt nie rozwiążą problemu: prawie zawsze jest to tańsze i szybsze.

Podejście 1: Liniowy adapter (Matryoshka)

Najbardziej ekonomiczne podejście pozostawia model embeddingowy nienaruszony. Pozwalasz mu generować wektory, a następnie trenujesz na nich małą warstwę projekcji, która zniekształca przestrzeń, aby zbliżyć do siebie elementy, które w Twojej dziedzinie muszą być blisko siebie. Model OpenAI pozostaje czarną skrzynką wywoływaną przez API; trenowanych jest tylko kilka setek tysięcy parametrów, na CPU, w ciągu kilku minut.

Trening opiera się na tripletach: zapytanie, dokument, który na nie odpowiada, oraz dokument, który porusza ten sam temat, ale nie odpowiada na nie. Spójrz na poniższe przykłady medyczne – negatywem dla „skutki uboczne paracetamolu“ nie jest tekst o piłce nożnej, lecz tekst o paracetamolu sprzedawanym w aptekach. Nazywa się to twardym negatywem (hard negative) i to właśnie on uczy model czegoś nowego: oczywisty negatyw niczego nie koryguje, ponieważ ogólny model już poprawnie go sklasyfikował.

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],
    }

Sam adapter to sieć dwuwarstwowa, która projektuje 3072 wymiary modelu down do 256, z finalną normalizacją, aby wyjściowe wektory pozostały porównywalne za pomocą podobieństwa cosinusowego. Funkcja straty to triplet margin loss: wynosi zero, gdy tylko zapytanie jest bliżej pozytywu niż negatywu o co najmniej margines 0,2, a w przeciwnym razie nakłada karę proporcjonalną. Innymi słowy, uczysz model tylko tego, czego jeszcze nie zrozumiał, a trening naturalnie stabilizuje się, gdy tripty są dobrze rozdzielone.

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")

Jest jeden punkt operacyjny, którego nie możesz pominąć: w dniu wdrożenia tego adaptera każdy wektor już przechowywany w Twojej bazie danych musi ponownie przejść przez projekcję, w przeciwnym razie porównywałbyś wektory z dwóch różnych przestrzeni. Zaplanuj całkowite ponowne indeksowanie korpusu w ramach wdrożenia produkcyjnego.

Podejście 2: Dostrajanie z Sentence Transformers

Gdy adapter nie wystarcza, musisz zmodyfikować sam model embeddingowy, co wymaga modelu otwartego, który hostujesz – tutaj BAAI/bge-large-en-v1.5. Sentence Transformers udostępnia to w prosty sposób: opisujesz przykłady jako pary tekstów z etykietą ciągłą, gdzie 1,0 oznacza „te dwa teksty powinny być blisko“, a 0,2 oznacza „wyglądają powierzchownie podobnie, odsuń je od siebie“. CosineSimilarityLoss następnie pcha obliczone podobieństwo cosinusowe w kierunku podanej etykiety.

Trzy epoki i sto kroków rozgrzewki to wartości zachowawcze i to nie bez powodu: na skromnym zbiorze danych zbyt długi trening niszczy ogólną wiedzę modelu, czyniąc go doskonałym na Twoich przykładach, a przeciętnym wszędzie indziej.

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"
])

Przygotowanie wysokiej jakości zbioru danych

Tu leży prawdziwa przeszkoda: nikt nie ma pod ręką tysiąca oznaczonych par. obejściem jest zbudowanie ich z tego, co już masz, czyli z Twoich dokumentów. Przekazujesz każdy dokument do LLM z prośbą o pytania, na które odpowiada on precyzyjnie, i otrzymujesz pary pytanie-dokument bez żadnego ręcznego oznaczania. Temperatura 0,7 zapewnia, że trzy pytania wygenerowane dla tego samego dokumentu nie są trzema wariantami tego samego zdania, a lstrip czyści numerację, którą model dodaje spontanicznie.

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

Ewaluacja dostrajania

Trening z malejącą stratą niczego nie dowodzi: jedyne pytanie, które się liczy, brzmi: czy wyszukiwanie się poprawiło. Poniższa funkcja mierzy recall@5 na tym samym zestawie zapytań, z adapterem i bez niego, po prostu przekazując adapter=None, aby uzyskać wynik bazowy. Zarówno korpus, jak i zapytania przechodzą przez projekcję, gdy jest ona dostarczona, co jest warunkiem koniecznym, aby oba wektory znajdowały się w tej samej przestrzeni.

Zawsze uruchamiaj to porównanie przed wdrożeniem. Regularnie zdarza się, że adapter wytrenowany na zbyt małej liczbie tripletów pogarsza recall, a bez pomiaru wdrożyłbyś regresję, myśląc, że wdrażasz poprawę.

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)

Kluczowe wnioski

  • Dostrajanie embeddingów poprawia wydajność w wyspecjalizowanych dziedzinach
  • Liniowy adapter jest najprostszą metodą i często wystarczającą
  • Sentence Transformers umożliwia głębsze dostrajanie pełnego modelu
  • Zalecane jest posiadanie minimum 1000 oznaczonych par
  • Zawsze przeprowadzaj ewaluację przed i po, aby zweryfikować zysk