Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Detekcia anomálií a duplikátov

Lekcia 20 z 22 Aktualizované 29. júla 2026 Vývojár
Na tejto strane
  1. Ciele
  2. Detekcia anomálií
  3. Detekcia sémantických duplikátov
  4. Pipeline na odstraňovanie duplikátov
  5. Kľúčové poznatky

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)