Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Jemné doladenie vektorových reprezentácií (Embeddings)

Lekcia 21 z 22 Aktualizované 29. júla 2026 Vývojár
Na tejto strane
  1. Ciele
  2. Kedy robiť fine-tuning?
  3. Prístup 1: Lineárny adaptér (Matryoshka)
  4. Prístup 2: Jemné doladenie so Sentence Transformers
  5. Príprava kvalitného datasetu
  6. Vyhodnotenie jemného doladenia
  7. Kľúčové poznatky

Ciele

  • Pochopiť, kedy je jemné doladenie (fine-tuning) vektorových reprezentácií nevyhnutné
  • Pripraviť párový dataset na trénovanie
  • Implementovať jemné doladenie pomocou ľahkých adaptérov

Kedy robiť fine-tuning?

Začneme zlými správami, ktoré sú v skutočnosti dobré: vo väčšine prípadov predtrénované modely fungujú perfektne a jemné doladenie je plytvaním úsilím. Iba tri situácie ho skutočne ospravedlňujú. Prvou je doména s vysoko špecializovanou slovnou zásobou – medicína, právo, priemysel – kde všeobecný model nevie, že skratky „MI“ a výraz „myokardiálny infarkt“ označujú to isté. Druhou je dosiahnutie plató: optimalizoval si chunking, pridal hybridné vyhľadávanie a preradenie (reranking), no metriky sa nepohli. Treťou je jednoducho mať po ruke anotované textové páry, podobné alebo nepodobné, ktoré nečinne ležia v tvojich logoch vyhľadávania.

Naopak, vynechaj fine-tuning, ak máš menej ako tisíc anotovaných párov: trénovanie si príklady zapamätá bez toho, aby zovšeobecňovalo. Vynechaj ho aj vtedy, ak je výkon už uspokojivý – zisk dvoch bodov v recall sa neoplatí kompenzovať údržbou ďalšieho modelu. A predovšetkým si over, či problém nevyrieši lepšie chunkovanie alebo lepší prompt: takmer vždy je to lacnejšie a rýchlejšie.

Prístup 1: Lineárny adaptér (Matryoshka)

Najekonomickejší prístup ponecháva model vektorových reprezentácií nedotknutý. Necháš ho vytvoriť vektory a následne natrénuješ malú projekčnú vrstvu navyše, ktorá priestor deformuje tak, aby priblížila to, čo musí byť vo tvojej doméne blízko seba. Model od OpenAI zostáva čiernou skrinkou volanou cez API; trénujú sa len niekoľko stotisíc parametrov, na CPU, v priebehu minút.

Trénovanie sa spolieha na triplety: dopyt (query), dokument, ktorý naň odpovedá, a dokument, ktorý pokrýva rovnakú tému, ale neodpovedá naň. Pozri sa na nižšie uvedené lekárske príklady – negatívum pre „vedľajšie účinky paracetamolu“ nie je text o futbale, ale text o paracetamole predávanom v lekárňach. Tomu sa hovorí ťažké negatívum (hard negative) a práve to učí model niečo nové: zjavné negatívum nič neopraví, keďže všeobecný model ho už správne klasifikoval.

import numpy as np
from openai import OpenAI
from sklearn.model_selection import train_test_split

client = OpenAI()

# Dataset of pairs (query, positive_document, negative_document)
triplets = [
    {
        "query": "paracetamol side effects",
        "positive": "Paracetamol can cause liver disorders...",
        "negative": "Paracetamol is available in pharmacies..."
    },
    {
        "query": "children's aspirin dosage",
        "positive": "For children aged 6 to 12, the recommended dose...",
        "negative": "Aspirin was discovered in the 19th century..."
    },
    # ... more triplets
]

def prepare_embeddings(triplets: list[dict]) -> dict:
    """Generate embeddings for the triplets."""
    all_texts = []
    for t in triplets:
        all_texts.extend([t["query"], t["positive"], t["negative"]])

    response = client.embeddings.create(
        input=all_texts,
        model="text-embedding-3-large"
    )
    embs = np.array(
        [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
    )

    n = len(triplets)
    return {
        "queries": embs[0::3],
        "positives": embs[1::3],
        "negatives": embs[2::3],
    }

Samotný adaptér je dvojvrstvová sieť, ktorá premieta 3 072 rozmerov modelu nadol na 256, s konečnou normalizáciou, aby zostali výstupné vektory porovnateľné pomocou kosínusovej podobnosti. Funkcia straty je triplet margin loss: rovná sa nule hneď, ako je dopyt bližšie k pozitívu než k negatívu aspoň o margin 0,2, a inak udeľuje úmernú penalizáciu. Inými slovami, učíš model len to, čo ešte nepochopil, a trénovanie sa prirodzene stabilizuje, akonáhle sú triplety dobre oddelené.

import torch
import torch.nn as nn
import torch.optim as optim

class EmbeddingAdapter(nn.Module):
    """Projection layer to adapt embeddings."""
    def __init__(self, input_dim: int = 3072, output_dim: int = 256):
        super().__init__()
        self.projection = nn.Sequential(
            nn.Linear(input_dim, output_dim),
            nn.ReLU(),
            nn.Linear(output_dim, output_dim),
        )

    def forward(self, x):
        projected = self.projection(x)
        return projected / projected.norm(dim=-1, keepdim=True)

def triplet_loss(anchor, positive, negative, margin=0.2):
    """Triplet margin loss."""
    dist_pos = 1 - torch.cosine_similarity(anchor, positive)
    dist_neg = 1 - torch.cosine_similarity(anchor, negative)
    return torch.relu(dist_pos - dist_neg + margin).mean()

def train_adapter(data: dict, epochs: int = 50):
    """Train the adapter on triplets."""
    model = EmbeddingAdapter()
    optimizer = optim.Adam(model.parameters(), lr=1e-3)

    queries = torch.tensor(data["queries"], dtype=torch.float32)
    positives = torch.tensor(data["positives"], dtype=torch.float32)
    negatives = torch.tensor(data["negatives"], dtype=torch.float32)

    for epoch in range(epochs):
        optimizer.zero_grad()

        q_proj = model(queries)
        p_proj = model(positives)
        n_proj = model(negatives)

        loss = triplet_loss(q_proj, p_proj, n_proj)
        loss.backward()
        optimizer.step()

        if (epoch + 1) % 10 == 0:
            print(f"Epoch {epoch + 1}/{epochs}, Loss: {loss.item():.4f}")

    return model

# Train
data = prepare_embeddings(triplets)
adapter = train_adapter(data)

# Save
torch.save(adapter.state_dict(), "medical_adapter.pt")

Jeden prevádzkový bod, ktorý nesmieš prehliadnuť: v deň, keď tento adaptér nasadíš, musí každý vektor už uložený v tvojej databáze prejsť opäť projekciou, inak by si porovnával vektory z dvoch rôznych priestorov. Naplánuj si úplné preindexovanie korpusu pri nasadení do produkcie.

Prístup 2: Jemné doladenie so Sentence Transformers

Keď adaptér nestačí, musíš upraviť samotný model vektorových reprezentácií, čo si vyžaduje otvorený model, ktorý hostíš – tu BAAI/bge-large-en-v1.5. Sentence Transformers to robí dostupným: príklady popisuješ ako textové páry so spojitou nálepkou, kde 1,0 znamená „tieto dva texty by mali byť blízko“ a 0,2 znamená „vyzerajú povrchne podobne, odtlač ich od seba“. CosineSimilarityLoss následne tlačí vypočítanú kosínusovú podobnosť smerom k poskytnutej nálepke.

Tri epochy a sto krokov zahrievania (warmup) sú konzervatívne hodnoty a z dobrého dôvodu: pri skromnom datasete príliš dlhé trénovanie ničí všeobecné vedomosti modelu, vďaka čomu je vynikajúci na tvojich príkladoch a priemerný všade inde.

from sentence_transformers import (
    SentenceTransformer, InputExample, losses
)
from torch.utils.data import DataLoader

# Load a base model
model = SentenceTransformer("BAAI/bge-large-en-v1.5")

# Prepare training examples
train_examples = [
    InputExample(
        texts=["paracetamol side effects",
               "Paracetamol can cause liver disorders"],
        label=1.0
    ),
    InputExample(
        texts=["paracetamol side effects",
               "Paracetamol is sold in pharmacies"],
        label=0.2
    ),
]

train_dataloader = DataLoader(train_examples, shuffle=True, batch_size=16)
train_loss = losses.CosineSimilarityLoss(model)

# Train
model.fit(
    train_objectives=[(train_dataloader, train_loss)],
    epochs=3,
    warmup_steps=100,
    output_path="./finetuned_medical_model"
)

# Use the fine-tuned model
embeddings = model.encode([
    "abdominal pain after taking medication",
    "adverse drug effects"
])

Príprava kvalitného datasetu

Tu leží skutočná prekážka: nikto nemá po ruke tisíc anotovaných párov. Obchádzkou je vytvoriť ich z toho, čo už máš, teda z tvojich dokumentov. Každý dokument predložíš LLM s požiadavkou, aby vygenerovalo otázky, na ktoré presne odpovedá, a získaš tak páry otázka-dokument bez akejkoľvek manuálnej anotácie. Teplota 0,7 zabezpečí, že tri otázky vygenerované pre ten istý dokument nebudú tromi variantmi tej istej vety, a lstrip vyčistí číslovanie, ktoré model spontánne pridáva.

def generate_training_pairs(
    documents: list[str],
    n_per_doc: int = 3
) -> list[dict]:
    """Generate query-document pairs for training."""
    pairs = []

    for doc in documents:
        response = client.chat.completions.create(
            model="gpt-5.6-terra",
            messages=[{
                "role": "user",
                "content": (
                    f"Here is a document:\n\n{doc[:500]}\n\n"
                    f"Generate {n_per_doc} questions that this document "
                    f"answers precisely. One question per line."
                )
            }],
            temperature=0.7
        )
        questions = response.choices[0].message.content.strip().split("\n")

        for q in questions[:n_per_doc]:
            q = q.strip().lstrip("0123456789.-) ")
            if q:
                pairs.append({"query": q, "document": doc})

    return pairs

Vyhodnotenie jemného doladenia

Trénovanie s klesajúcou stratou nič nedokazuje: jediná otázka, na ktorej záleží, je, či sa vyhľadávanie zlepšilo. Nižšie uvedená funkcia meria recall@5 na rovnakej množine dopytov, s adaptérmi aj bez nich, jednoducho tým, že pre získanie základnej línie (baseline) použiješ adapter=None. Korpus aj dopyty prechádzajú projekciou, keď je poskytnutá, čo je podmienkou, aby oba vektory žili v rovnakom priestore.

Toto porovnanie vždy spusti pred nasadením. Stáva sa pravidelne, že adaptér natrénovaný na príliš malom počte tripletov zhorší recall, a bez merania by si nasadil regresiu v domnení, že nasadzuješ zlepšenie.

def evaluate_before_after(
    queries: list[str],
    relevant_docs: list[list[str]],
    corpus: list[str],
    adapter=None
):
    """Compare performance before and after fine-tuning."""
    resp = client.embeddings.create(
        input=corpus, model="text-embedding-3-large"
    )
    corpus_embs = np.array(
        [d.embedding for d in sorted(resp.data, key=lambda x: x.index)]
    )

    if adapter:
        corpus_embs_adapted = adapter(
            torch.tensor(corpus_embs, dtype=torch.float32)
        ).detach().numpy()
    else:
        corpus_embs_adapted = corpus_embs

    recall_scores = []
    for query, relevants in zip(queries, relevant_docs):
        q_resp = client.embeddings.create(
            input=query, model="text-embedding-3-large"
        )
        q_emb = np.array(q_resp.data[0].embedding)

        if adapter:
            q_emb = adapter(
                torch.tensor(q_emb, dtype=torch.float32).unsqueeze(0)
            ).detach().numpy()[0]

        scores = corpus_embs_adapted @ q_emb
        top_5 = set(np.argsort(scores)[-5:])
        relevant_ids = set(
            i for i, d in enumerate(corpus) if d in relevants
        )
        recall = len(top_5 & relevant_ids) / len(relevant_ids)
        recall_scores.append(recall)

    return np.mean(recall_scores)

Kľúčové poznatky

  • Jemné doladenie vektorových reprezentácií zlepšuje výkon v špecializovaných doménach
  • Lineárny adaptér je najjednoduchšia metóda a často postačuje
  • Sentence Transformers umožňuje hlbšie jemné doladenie celého modelu
  • Odporúča sa minimum 1 000 anotovaných párov
  • Vždy vyhodnoť stav pred a po, aby si overil zisk