Detekcia anomálií a duplikátov
Na tejto strane
Ciele
- Odhaliť abnormálne texty v rámci korpusu
- Identifikovať sémantické duplikáty
- Vytvoriť pipeline na odstraňovanie duplikátov
Detekcia anomálií
Dve aplikácie v tejto lekcii zdieľajú rovnakú intuíciu, aplikovanú na opačných koncoch škály podobnosti. Text je „abnormálny“, ak je sémanticky vzdialený od všetkého ostatného v korpusu; text je duplikát, ak je príliš blízko. Vnorené reprezentácie (embeddings) ti umožňujú merať túto vzdialenosť v oboch prípadoch. Väčšina práce spočíva v kalibrácii prahových hodnôt.
Prvý prístup zostaví centroid korpusu – priemer všetkých vektorov, ktorý predstavuje „obvyklú tému tohto korpusu“ – a následne meria, ako veľmi sa každý text od neho líši. Prahová hodnota zámerne nie je absolútna hodnota, ale percentil: vopred nemôžeš vedieť, ako ďaleko sa anomália nachádza, ale vieš, že chceš preskúmať najatypickejších 5 %.
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]}...")
Príkladový korpus hovorí sám za seba: päť viet o politike ľudských zdrojov a jeden pokus o SQL injekciu. Žiadny filter kľúčových slov by tento útok nezachytil bez vopred napísaného pravidla; vzdialenosť od centroidu ho však označí bez akejkoľvek predchádzajúcej anticipácie. To je hlavný argument pre použitie tejto metódy na monitorovanie toku prichádzajúcich dokumentov.
Centroid má však slabé miesto: predpokladá, že korpus sa točí okolo jednej témy. Ak tvoje dokumenty pokrývajú tri veľmi odlišné domény, priemerný bod spadne do sémantickej prázdnoty a všetky texty sa javia rovnako vzdialené. Prístup k-nearest neighbors (k-NN) sa tomu vyhne tým, že posudzuje každý text na základe jeho bezprostredného okolia, nie celého súboru: dokument patriaci do menšinovej skupiny zostáva normálny, pokiaľ má svojich susedov.
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
Detekcia sémantických duplikátov
Na druhom konci škály sa nachádzajú texty, ktoré sú príliš blízko. Dva záznamy môžu byť duplikáty aj pri použití rôznych slov – „Ako si resetujem heslo?“ a „Zabudol som heslo, čo mám robiť?“ majú spoločné len tri slová – a presne to hashovanie alebo porovnávanie reťazcov nikdy nezachytí. Vnorené reprezentácie ich však odhalia.
Funkcia vypočíta celú maticu podobnosti a vráti všetky páry nad prahovou hodnotou. Daj si pozor na náklady: toto porovnávanie je kvadratické, čo zostáva okamžité pre niekoľko tisíc textov, ale pre milión sa stáva nepraktickým – vtedy musíš použiť približný index, ako sú tie, ktoré sme preberali pri vektorových databázach.
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']}")
Volanie tu používa prahovú hodnotu 0,85 namiesto predvolenej 0,90, pretože preformulovania tej istej otázky podpory často klesajú výrazne pod 0,90. Toto je nastavenie, ktorému budeš venovať najviac času ladenia: ak ho nastavíš príliš vysoko, prepustíš duplikáty; ak príliš nízko, zlúčiš „ako si zmením heslo“ s „ako si zmením e-mailovú adresu“, čo sú dve odlišné otázky, ktoré vyzerajú veľmi podobne.
Pipeline na odstraňovanie duplikátov
Detekcia párov nestačí na vyčistenie korpusu. Ak sa A podobá na B a B sa podobá na C, všetky tri patria do tej istej skupiny, aj keď A a C neboli priamo porovnané nad prahovou hodnotou. Tranzitívne zoskupovanie je skutočná práca a štruktúra Union-Find (Zjednotenie-Hľadanie) ju zvládne v jednom prechode: každý detegovaný pár zlúči dve množiny, čím na konci vzniknú plne vytvorené skupiny duplikátov.
Stále si musíš vybrať, ktorý člen prežije. Pravidlo použité tu – najkratší text – funguje dobre pre otázky podpory, kde najstručnejšia formulácia je často tá najkanonickejšia. Pre korpus dokumentov budeš pravdepodobne chcieť opak, alebo ten najnovší: toto je obchodné rozhodnutie, nie technický detail. Vrátaný slovník uchováva zoznam odstránených textov, aby ich človek mohol overiť v hraničných prípadoch pred schválením.
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']}")
Aplikované pred indexom RAG má toto odstraňovanie duplikátov priamy vplyv na kvalitu: zabraňuje tomu, aby päť výsledkov vrátených pre otázku bolo päť verzií toho istého úryvku, čo by generátor pripravilo o akékoľvek dodatočné informácie.
Kľúčové poznatky
- Vzdialenosť od centroidu alebo k-NN detekuje abnormálne texty
- Kosínusová podobnosť nad prahovou hodnotou identifikuje duplikáty
- Union-Find efektívne zoskupuje tranzitívne duplikáty
- Kalibruj prahové hodnoty na svojich dátach (zvyčajne 0,85–0,95 pre duplikáty)