Jemné doladenie vektorových reprezentácií (Embeddings)
Na tejto strane
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