Združevanje v serije in razdeljevanje na dele
Na tej strani
Izziv velikih količin podatkov
Ko delaš s tisoči dokumentov, ne moreš vsega kodirati v enem samem klicu API-ja. Upravljati moraš združevanje v serije (obdelava v skupinah) in razdeljevanje na dele (cepljenje besedila). Ti dve tehniki sta ključni za gradnjo semantičnih iskalnih sistemov v velikem obsegu.
Oba koncepta zvenita podobno, a rešujeta nasprotna problema. Razdeljevanje na dele obravnava posamezen dokument, ki je prevelik, da bi ga učinkovito kodirali kot celoto; združevanje v serije pa obravnava preveč dokumentov, da bi jih spravili v eno samo zahtevo. Tristostranski tehnični priročnik spada v prvo kategorijo, izvoz dvajset tisoč vstopnic v drugo, realni projekti pa skoraj vedno vključujejo oboje.
Združevanje v serije: Obdelava v skupinah
API mistral-embed sprejme seznam vhodnih podatkov, vendar obstajajo praktične omejitve (velikost zahteve, število žetonov). Rešitev je razdelitev tvoje zbirke podatkov v serije in iteracija skozi njih. Spodnja funkcija počne natanko to in prikazuje napredek – kar je ključna podrobnost, ko kodiranje celotne zbirke traja več minut in moraš vedeti, ali proces napreduje ali se je zatikal.
import numpy as np
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def get_embeddings_by_chunks(data, chunk_size=25):
"""Encode a large list of texts in batches."""
chunks = [data[x:x + chunk_size] for x in range(0, len(data), chunk_size)]
embeddings = []
for i, chunk in enumerate(chunks):
print(f"Batch {i+1}/{len(chunks)} ({len(chunk)} texts)...")
response = client.embeddings.create(
model="mistral-embed",
inputs=chunk,
)
embeddings.extend([d.embedding for d in response.data])
return embeddings
# Example with 1000 documents
documents = [f"Document number {i} with varied content." for i in range(1000)]
all_embeddings = get_embeddings_by_chunks(documents, chunk_size=50)
print(f"Total: {len(all_embeddings)} embeddings of {len(all_embeddings[0])} dimensions")
Uporaba extend namesto append zagotavlja, da se vrstni red vektorjev popolnoma ujema z vrstnim redom vhodnega besedila. To ti omogoča, da kasneje preprosto preko indeksa pridobiš izvirni dokument.
Optimizacija velikosti serije
Optimalna velikost serije je odvisna od povprečne dolžine tvojih besedil: petdeset naslovov člankov in petdeset celotnih poročil ne tehtata enako v žetonih. Namesto da bi naključno izbral konstanto, jo oceni neposredno iz zbirke podatkov.
def optimal_batch_size(documents, max_tokens_per_batch=16000):
"""Estimate the optimal batch size."""
# Rough estimate: 1 token ~ 4 characters in English
avg_chars = sum(len(d) for d in documents) / len(documents)
avg_tokens = avg_chars / 4
batch_size = max(1, int(max_tokens_per_batch / avg_tokens))
return min(batch_size, 100) # Cap at 100
# Adjust based on your corpus
batch_size = optimal_batch_size(documents)
print(f"Recommended batch size: {batch_size}")
Omejitev na 100 ni kozmetična: preko te meje ena sama neuspešna serija povzroči znatno izgubo dela, pomnilnik, ki ga porabi odgovor, pa postane substančen.
Razdeljevanje na dele: Cepljenje besedila
Dolga besedila je treba pred kodiranjem razdeliti na dele. Na voljo je več strategij, vsaka ima svoje prednosti, izbira pa neposredno vpliva na kakovost odgovora: del, ki se začne sredi stavka, proizvede nejasen vektor, kar vodi do nejasnih rezultatov iskanja.
Razdeljevanje na podlagi znakov (preprosto)
Najbolj neposredna metoda odreže vsakih N znakov, ne glede na vsebino. Njena prednost je predvidljivost in hitrost, zaradi česar je sprejemljiva za prototipe ali za besedila brez jasne strukture.
def chunk_by_chars(text, chunk_size=2048, overlap=200):
"""Split text into chunks with overlap."""
chunks = []
start = 0
while start < len(text):
end = start + chunk_size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap # Overlap for context
return chunks
long_text = "A very long document..." * 500
chunks = chunk_by_chars(long_text, chunk_size=2048, overlap=200)
print(f"{len(chunks)} chunks created")
Razdeljevanje na podlagi odstavkov (priporočeno)
Razdeljevanje na podlagi odstavkov spoštuje enoto pomena, ki jo je avtor namenil. V produktni dokumentaciji vsak odstavek običajno pokriva specifično točko; če ga ohraniš nedotaknjenega, dobiš del, ki lahko samostojno odgovori na vprašanje. Funkcija kopiči odstavke, dokler ne preseže največje velikosti, nato pa zaključi trenutni del.
def chunk_by_paragraphs(text, max_chunk_size=2048):
"""Split while respecting paragraph boundaries."""
paragraphs = text.split("\n\n")
chunks = []
current_chunk = ""
for para in paragraphs:
if len(current_chunk) + len(para) + 2 > max_chunk_size:
if current_chunk:
chunks.append(current_chunk.strip())
current_chunk = para
else:
current_chunk += "\n\n" + para if current_chunk else para
if current_chunk:
chunks.append(current_chunk.strip())
return chunks
Razdeljevanje na podlagi stavkov
Ko besedilu manjkajo uporabni odstavki – na primer prepis klica ali dnevnik teka – postane stavek najmanjša razpoložljiva enota pomena. Razdeljevanje nato sledi isti logiki kopičenja in se zanaša na ločila ob koncu stavka.
import re
def chunk_by_sentences(text, max_chunk_size=1500):
"""Split while respecting sentence boundaries."""
# Split on end-of-sentence punctuation
sentence_pattern = r'(?<=[.!?])\s+'
sentences = re.split(sentence_pattern, text)
chunks = []
current_chunk = ""
for sentence in sentences:
if len(current_chunk) + len(sentence) + 1 > max_chunk_size:
if current_chunk:
chunks.append(current_chunk.strip())
current_chunk = sentence
else:
current_chunk += " " + sentence if current_chunk else sentence
if current_chunk:
chunks.append(current_chunk.strip())
return chunks
Prekrivanje
Prekrivanje med deli preprečuje prerezanje ideje na pol. Z dodajanjem prekrivanja v višini 10 % do 20 % velikosti dela ohraniš kontekst med sosednjimi kosi. Predstavljaj si postopek, kjer se 4. korak konča pri znaku 2040, posledica pa je razložena takoj zatem: brez prekrivanja noben del ne vsebuje obeh polovic razmišljanja in iskanje nikoli ne bo vrnilo popolnega odgovora.
Spodnje vrednosti služijo kot preizkušene izhodiščne točke glede na vrsto vsebine:
# Recommended parameters by content type
PARAMS = {
"articles": {"chunk_size": 1500, "overlap": 200},
"documentation": {"chunk_size": 1000, "overlap": 150},
"conversations": {"chunk_size": 500, "overlap": 50},
"code": {"chunk_size": 2000, "overlap": 300},
}
Pri pogovorih vrednost pade na 500 znakov, ker je govorni obrat kratek in bi večji del zmešal več tem; pri kodi naraste na 2000 z velikodušnim prekrivanjem, ker funkcija izgubi pomen, če je njen podpis ločen od telesa.
Celoten potek dela: Razdeli + Združi v serije + Vgradi
Tako združiš razdeljevanje na dele in združevanje v serije v produkcijskem poteku dela. Element, ki ga ne smeš zanemariti, je chunk_metadata: brez njega dobiš osirotele vektorje, ki ne morejo indicirati, iz katerega dokumenta izvirajo, in nikoli ne boš mogel navesti svojih virov v končnem odgovoru.
def pipeline_embed(documents, chunk_size=1500, overlap=200, batch_size=50):
"""Complete pipeline: chunk, batch, embed."""
# 1. Chunk all documents
all_chunks = []
chunk_metadata = [] # Track source document
for doc_idx, doc in enumerate(documents):
chunks = chunk_by_paragraphs(doc, max_chunk_size=chunk_size)
for chunk_idx, chunk in enumerate(chunks):
all_chunks.append(chunk)
chunk_metadata.append({
"doc_index": doc_idx,
"chunk_index": chunk_idx,
})
print(f"{len(documents)} documents -> {len(all_chunks)} chunks")
# 2. Encode in batches
embeddings = get_embeddings_by_chunks(all_chunks, chunk_size=batch_size)
# 3. Return structured results
return {
"chunks": all_chunks,
"embeddings": np.array(embeddings),
"metadata": chunk_metadata,
}
# Usage
result = pipeline_embed(documents)
print(f"Embeddings: {result['embeddings'].shape}")
Zaženi ta potek dela na ducatu svojih dejanskih dokumentov in vizualno pregledaj all_chunks, preden začneš kodirati v velikem obsegu. Slabo razdeljevanje je takoj vidno ob branju, medtem ko se v obliki matrike nikoli ne pokaže.
Ključne ugotovitve
- Združevanje v serije ti omogoča kodiranje tisočev dokumentov brez preseženih omejitev API-ja
- Razdeljevanje na dele cepi dolga besedila za boljšo semantično zrnatost
- Prekrivanje med deli v višini 10–20 % ohranja kontekst
- Razdeljevanje na podlagi odstavkov ali stavkov je boljše od razdeljevanja na podlagi znakov
- Za vsak del ohrani metapodatke (izvirni dokument, položaj)