Classificação de texto com embeddings
Nesta página
Objetivos
- Classificar texto sem treinar um modelo
- Implementar classificação zero-shot e few-shot utilizando embeddings
- Comparar o desempenho com um classificador supervisionado ligeiro
Classificação Zero-shot
A pesquisa semântica encontra documentos semelhantes a uma consulta entre milhares de candidatos. A classificação inverte esta configuração sem alterar a mecânica subjacente: os seus “documentos” são agora as suas categorias (cinco ou dez delas), e a “consulta” é o texto que deseja classificar. O rótulo cujo embedding estiver mais próximo torna-se a previsão. Sem treino, sem dados anotados, apenas uma chamada à API.
Dois detalhes de implementação no código abaixo merecem atenção. Primeiro, o texto e os nomes das categorias são inseridos numa única chamada embeddings.create, o que reduz a latência proporcionalmente ao número de rótulos. Segundo, aplicar softmax às pontuações de similaridade converte valores brutos (tipicamente entre 0,3 e 0,5) em probabilidades que somam 1. Pode exibir estas probabilidades a um utilizador ou compará-las com um limiar de confiança.
from openai import OpenAI
import numpy as np
client = OpenAI()
def classifier_zero_shot(
texte: str,
categories: list[str],
model: str = "text-embedding-3-large"
) -> dict:
"""Classifies text into categories without training."""
# Embeddings for categories
all_inputs = [texte] + categories
response = client.embeddings.create(
input=all_inputs,
model=model
)
embs = [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
texte_emb = np.array(embs[0])
cat_embs = np.array(embs[1:])
# Similarity with each category
scores = cat_embs @ texte_emb
# Softmax to get probabilities
exp_scores = np.exp(scores - np.max(scores))
probas = exp_scores / exp_scores.sum()
resultats = sorted(
zip(categories, probas),
key=lambda x: x[1], reverse=True
)
return {
"prediction": resultats[0][0],
"confiance": float(resultats[0][1]),
"scores": {cat: float(p) for cat, p in resultats}
}
# Usage
texte = "Le cours de l'action a chuté de 15% après l'annonce"
categories = ["Finance", "Sport", "Technologie", "Politique", "Santé"]
resultat = classifier_zero_shot(texte, categories)
print(f"Prédiction : {resultat['prediction']} "
f"({resultat['confiance']:.1%})")
print("Scores :", resultat["scores"])
Neste exemplo, “o preço da ação caiu 15% após o anúncio” vai parar, sem surpresa, à categoria Finanças. Esta abordagem atinge um limite quando as categorias são rótulos internos cujos nomes não revelam nada sobre o seu conteúdo. Um rótulo como “P1” ou “escalamento de nível 2” não carrega nenhum significado semântico explorável, tornando a classificação essencialmente aleatória.
Classificação Few-shot
É exatamente isto que a classificação few-shot resolve. Em vez de representar uma categoria pelo seu nome, representa-a pelo centroide de alguns exemplos reais. A categoria “bug” deixa de ser a palavra “bug” para se tornar a média dos embeddings de “a aplicação falha ao iniciar”, “erro 500 na página de login” e “o botão não funciona no telemóvel”. Três a cinco exemplos por classe são geralmente suficientes, e o custo permanece o de uma única chamada à API, uma vez que todos os textos são enviados em conjunto.
def classifier_few_shot(
texte: str,
exemples: dict[str, list[str]],
model: str = "text-embedding-3-large"
) -> dict:
"""Classifies by similarity to labeled examples.
Args:
exemples: {"category": ["example1", "example2", ...]}
"""
# Prepare all texts
tous_textes = [texte]
mapping = []
for cat, txts in exemples.items():
for t in txts:
tous_textes.append(t)
mapping.append(cat)
# Embeddings in a single call
response = client.embeddings.create(
input=tous_textes, model=model
)
embs = [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
texte_emb = np.array(embs[0])
# Average embeddings per category
cat_embeddings = {}
for i, cat in enumerate(mapping):
emb = np.array(embs[i + 1])
if cat not in cat_embeddings:
cat_embeddings[cat] = []
cat_embeddings[cat].append(emb)
cat_moyennes = {
cat: np.mean(embs_list, axis=0)
for cat, embs_list in cat_embeddings.items()
}
# Similarity
scores = {
cat: float(np.dot(texte_emb, emb_moy) /
(np.linalg.norm(texte_emb) * np.linalg.norm(emb_moy)))
for cat, emb_moy in cat_moyennes.items()
}
prediction = max(scores, key=scores.get)
return {"prediction": prediction, "scores": scores}
# Usage
exemples = {
"bug": [
"L'application crash au démarrage",
"Erreur 500 sur la page de connexion",
"Le bouton ne fonctionne pas sur mobile",
],
"feature": [
"Pourriez-vous ajouter un mode sombre ?",
"Il serait utile d'exporter en PDF",
"Suggestion : intégrer un calendrier",
],
"question": [
"Comment changer mon mot de passe ?",
"Où trouver les paramètres de notification ?",
"Quelle est la limite de stockage ?",
],
}
texte = "L'export CSV ne contient pas toutes les colonnes"
resultat = classifier_few_shot(texte, exemples)
print(f"Catégorie : {resultat['prediction']}")
O ticket de teste — “a exportação CSV não contém todas as colunas” — não inclui nem a palavra “bug” nem “erro”, mas assemelha-se aos três exemplos de mau funcionamento fornecidos, pelo que é aí que acaba por ser classificado. Note que fazer a média dos embeddings pressupõe uma categoria homogénea. Se os seus exemplos de “pergunta” misturarem consultas de faturação com questões sobre a API, o seu centroide cairá numa terra de ninguém semântica. Nesse caso, é melhor dividir a categoria.
Classificador supervisionado ligeiro
Quando dispõe de várias dezenas de exemplos por classe, fazer a média torna-se um desperdício de informação: achata a forma da nuvem de pontos. Um classificador linear treinado nos mesmos embeddings aprende, em vez disso, um limite de decisão. O embedding trata da compreensão da linguagem, enquanto o LogisticRegression simplesmente traça uma linha geométrica nesse espaço. Isto resulta em tempos de treino de alguns segundos num CPU standard, ao passo que o ajuste fino (fine-tuning) de um modelo de linguagem exigiria uma GPU.
A validação cruzada de cinco dobras (five-fold cross-validation) não é apenas para inglês ver. Fornece-lhe o desvio padrão da precisão, dando uma ideia da fiabilidade da sua estimativa. Uma pontuação de 0,91 ± 0,02 é utilizável; 0,91 ± 0,15 sinaliza um conjunto de dados demasiado pequeno ou desequilibrado.
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
import numpy as np
def entrainer_classifieur(
textes: list[str],
labels: list[str],
model: str = "text-embedding-3-large"
) -> LogisticRegression:
"""Trains a classifier on embeddings."""
# Generate embeddings
response = client.embeddings.create(
input=textes, model=model
)
X = np.array([d.embedding for d in sorted(response.data, key=lambda x: x.index)])
# Train a classifier
clf = LogisticRegression(max_iter=1000)
# Cross-validation
scores = cross_val_score(clf, X, labels, cv=5)
print(f"Accuracy (5-fold CV) : {scores.mean():.3f} ± {scores.std():.3f}")
# Train on the full dataset
clf.fit(X, labels)
return clf
def predire(clf, texte: str, model: str = "text-embedding-3-large") -> str:
"""Predicts the category of a text."""
emb = client.embeddings.create(
input=texte, model=model
).data[0].embedding
return clf.predict([emb])[0]
Comparação de abordagens
| Abordagem | Exemplos necessários | Precisão | Latência |
|---|---|---|---|
| Zero-shot | 0 | ~70-80% | 1 chamada à API |
| Few-shot (3-5/classe) | 15-25 | ~80-90% | 1 chamada à API |
| Supervisionado (50+/classe) | 250+ | ~90-95% | 1 chamada à API + inferência |
Lidas pela ordem, estas três linhas descrevem uma progressão que pode seguir ao longo do ciclo de vida do produto. Comece com zero-shot no primeiro dia, sem quaisquer dados. Assim que tiver corrigido manualmente cerca de vinte previsões, recicle-as como exemplos few-shot. Quando o volume de anotações exceder cinquenta por classe, treine o classificador supervisionado. Tenha em mente que a linha “latência” lembra que mesmo o modelo supervisionado permanece rápido; a inferência local adiciona uma sobrecarga negligenciável em comparação com a chamada à API de embeddings.
Pontos-chave
- A classificação zero-shot compara o texto com os rótulos através de embeddings
- O método few-shot utiliza exemplos para definir cada categoria
- Um classificador supervisionado (LogisticRegression) alcança o melhor desempenho
- Comece com zero-shot e adicione exemplos se a precisão for insuficiente