توجيه من التضمين إلى النموذج الأصلي
A إلى بيانات تدريب مصنفة. أحيانا لا تملك أي بيانات، بل تملك فقط حفنة من example استعلام لكل قصد. أرخص موجه حينها هو nearest-prototype: مثل كل قصد بمتجه واحد (نموذجه، وغالبا ما يكون متوسط embedding لعدد قليل من الأمثلة)، وقم بعمل embed للاستعلام الوارد، ووجهه إلى النموذج الذي يشير إليه بشكل مباشر أكثر.
"Points most directly at" تعني cosine similarity: جيب الزاوية بين متجهين، مع تجاهل طولهما. إنه المقياس الصحيح للنصوص لأن وثيقة طويلة وأخرى قصيرة حول نفس الموضوع يجب أن تتطابق.
cosine(a, b) = (a . b) / (|a| |b|)قيمة القريبة من 1.0 تعني أن المتجهات تشير إلى نفس الاتجاه (نفس القصد)؛ والقريبة من 0.0 تعني غير مرتبطة. يختار router النموذج الأولي صاحب أعلى قيمة cosine، وتعمل تلك الدرجة كـ confidence يمكنك وضع حد أقصى لها لاحقاً.
تأطير صادق:في بيئة الإنتاج تأتي تلك المتجهات من نموذج embedding مدرب (استدعاء API، أو sentence-transformer). لا يمكننا تحميل واحد هنا -> لا يوجد ملف أوزان للنموذج ولا يوجد GPU في المتصفح. لذا في هذا الدرس يتم تقديم المتجهات إليك كمصفوفات numpy عادية. أنت تبني هندسة التوجيه، وهي متطابقة سواء جاءت الأرقام من embedder حقيقي أو من fixture. الـ embeddings الحقيقية تملأ فقط أرقاماً أفضل؛ منطق cosine-and-argmax هو الجزء الذي تشحنه.
T يجب أن تكون كسر التعادلات حتمية. إذا كان هناك نموذجان متساويان تماما في المسافة، فإن اختيار "أيهما يأتي أولا في الـ dict" هو خطأ خفي لأن ترتيب الـ dict يمكن أن يتغير. اكسر التعادلات باختيار الـ intent الذي يأتي اسمه أولا أبجديا، لكي يتم حل نفس التعادل دائما بنفس الطريقة.
قم ببناء دالتين. cosine(a, b) تعيد تشابه جيب التمام لمتجهين وهي آمنة ضد الصفر (متجه بطول صفر يعيد 0.0، وليس NaN أبدا). route_by_prototype(query_vec, prototypes) تأخذ متجه الاستعلام و dict {intent_name: prototype_vector} وتعيد tuple (best_intent, best_score) -> النموذج الأقرب وقيمة جيب التمام الخاصة به، مع كسر التعادل أبجديا. اضغط Run لتوجيه بعض الاستعلامات ورؤية مستوى الثقة الذي يعود به كل واحد منها.
اكتب cosine(a, b) = a.b / (|a||b|)، مع إرجاع 0.0 عندما يكون طول أي متجه صفراً (بدون NaN). ثم اكتب route_by_prototype(query_vec, prototypes) حيث prototypes هو dict من نوع {name: vector}؛ أرجع tuple (best_name, best_score) لأعلى قيمة cosine، مع كسر التعادلات المتطابقة بالاسم الأول أبجدياً. اترك PROTOTYPES الخاص بالبداية كما هو: فعملية التحقق تقرأه.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.