Deteção de Anomalias e Duplicados
Nesta página
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)