Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Deteção de Anomalias e Duplicados

Aula 20 de 22 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. Objetivos
  2. Deteção de Anomalias
  3. Deteção de Duplicados Semânticos
  4. Pipeline de Deduplicação
  5. Pontos-chave

Objetivos

  • Detetar textos anómalos num corpus
  • Identificar duplicados semânticos
  • Construir um pipeline de deduplicação

Deteção de Anomalias

As duas aplicações desta lição partilham a mesma intuição, aplicada aos extremos opostos da escala de similaridade. Um texto é «anómalo» se estiver semanticamente distante de todo o resto no corpus; um texto é um duplicado se estiver demasiado próximo. As embeddings permitem-lhe medir esta distância em ambos os casos. A maior parte do trabalho consiste em calibrar os limiares.

A primeira abordagem constrói o centroide do corpus — a média de todos os vetores, que representa «o tema habitual deste corpus» — e mede depois o desvio de cada texto em relação a esse ponto. O limiar não é intencionalmente um valor absoluto, mas um percentil: não pode saber antecipadamente quão distante está uma anomalia, mas sabe que quer examinar os 5% mais atípicos.

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]}...")

O corpus de exemplo conta a história por si: cinco frases sobre políticas de recursos humanos e uma tentativa de injeção SQL. Nenhum filtro de palavras-chave teria detetado a injeção sem uma regra pré-escrita; a distância ao centroide sinaliza-a sem qualquer antecipação prévia. Este é o principal argumento para utilizar o método na monitorização de um fluxo de documentos recebidos.

O centroide tem, contudo, uma fraqueza: assume que o corpus gira em torno de um único tema. Se os seus documentos cobrirem três domínios muito diferentes, o ponto médio cai num vazio semântico e todos os textos parecem igualmente distantes. A abordagem dos k-vizinhos mais próximos (k-NN) contorna este problema ao avaliar cada texto com base na sua vizinhança imediata em vez do conjunto total: um documento pertencente a um grupo minoritário permanece normal enquanto tiver vizinhos.

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

Deteção de Duplicados Semânticos

No outro extremo da escala encontram-se os textos que estão demasiado próximos. Duas entradas podem ser duplicadas mesmo com palavras diferentes — «Como reponho a minha palavra-passe?» e «Esqueci a palavra-passe, o que faço?» partilham apenas três palavras comuns — e é exatamente isso que o hashing ou a comparação de cadeias de caracteres nunca detetarão. As embeddings detetam-nas.

A função calcula a matriz de similaridade completa e devolve todos os pares acima do limiar. Atenção ao custo: esta comparação é quadrática, o que permanece instantâneo para alguns milhares de textos, mas torna-se impraticável para um milhão — nesse caso, deve utilizar um índice aproximado, como os abordados com bases de dados vetoriais.

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']}")

A chamada aqui utiliza um limiar de 0,85 em vez do padrão 0,90 porque as reformulações da mesma questão de suporte caem frequentemente bem abaixo de 0,90. Esta é a definição que passará mais tempo a afinar: se o definir demasiado alto, deixará passar duplicados; se o definir demasiado baixo, fundirá «como altero a minha palavra-passe» com «como altero o meu endereço de e-mail», duas questões distintas que parecem muito semelhantes.

Pipeline de Deduplicação

Detetar pares não é suficiente para limpar um corpus. Se A se assemelha a B e B se assemelha a C, todos os três pertencem ao mesmo grupo, mesmo que A e C nunca tenham sido comparados diretamente acima do limiar. O agrupamento transitivo é o verdadeiro trabalho, e a estrutura Union-Find trata-o numa única passagem: cada par detetado funde dois conjuntos, resultando em grupos de duplicados totalmente formados no final.

Ainda precisa de escolher qual o membro que sobrevive. A regra aqui utilizada — o texto mais curto — funciona bem para questões de suporte, onde a formulação mais concisa é frequentemente a mais canónica. Para um corpus de documentos, provavelmente quererá o oposto, ou o mais recente: isto é uma decisão de negócio, não um detalhe técnico. O dicionário devolvido mantém a lista de textos eliminados para que um humano possa verificar os casos limite antes de aprovar.

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']}")

Aplicada a montante de um índice RAG, esta deduplicação tem um efeito direto na qualidade: impede que os cinco resultados devolvidos para uma pergunta sejam cinco versões da mesma passagem, o que privaria o gerador de qualquer informação adicional.

Pontos-chave

  • A distância ao centroide ou k-NN deteta textos anómalos
  • A similaridade do cosseno acima de um limiar identifica duplicados
  • O Union-Find agrupa eficientemente duplicados transitivos
  • Calibre os limiares nos seus dados (tipicamente 0,85–0,95 para duplicados)