Embedding-zu-Prototyp-Routing
A Classifier benötigt gelabelte Trainingsdaten. Manchmal hast du gar keine -> du hast nur eine Handvoll example Abfragen für jeden Intent. Der günstigste Router ist dann nearest-prototype: Repräsentiere jeden Intent durch einen Vektor (seinen "Prototype", oft der Durchschnitt der Embeddings von wenigen Beispielen), bette die eingehende Abfrage ein und leite sie zu dem Prototype weiter, auf den sie am direktesten zeigt.
"Points most directly at" bedeutet cosine similarity: der Kosinus des Winkels zwischen zwei Vektoren, wobei die Länge ignoriert wird. Es ist das richtige Maß für Text, weil ein langes Dokument und ein kurzes Dokument zum selben Thema immer noch übereinstimmen sollten.
cosine(a, b) = (a . b) / (|a| |b|)Ein A Wert nahe 1.0 bedeutet, dass die Vektoren in die gleiche Richtung zeigen (gleiche Absicht); nahe 0.0 bedeutet nicht verwandt. Der Router wählt den Prototyp mit dem höchsten Cosinus, und dieser Wert dient als confidence, den du später schwellenwertartig nutzen kannst.
Ehrliches Framing: in der Produktion kommen diese Vektoren von einem trainierten Embedding-Modell (ein API-Aufruf oder ein sentence-transformer). Wir können hier keines laden -> es gibt keine Datei mit Modellgewichten und keine GPU im Browser. In dieser Lektion werden dir die Vektoren gegeben als einfache numpy-Arrays. Du baust die Routing-Geometrie, die identisch ist, egal ob die Zahlen von einem echten Embedder oder von einer Fixture kamen. Echte Embeddings füllen nur bessere Zahlen ein; die cosine-und-argmax-Logik ist der Teil, den du lieferst.
Ties müssen deterministisch sein. Wenn zwei Prototypen exakt gleich weit entfernt sind, ist die Wahl von "was auch immer zuerst im dict kommt" ein latenter Bug -> die dict Reihenfolge kann sich verschieben. Breche Ties auf, indem du den Intent wählst, dessen Name alphabetisch zuerst sortiert wird, damit der gleiche Tie immer auf die gleiche Weise aufgelöst wird.
Erstelle zwei Funktionen. cosine(a, b) gibt die Cosinus-Ähnlichkeit von zwei Vektoren zurück und ist Null-sicher (ein Vektor der Länge Null gibt 0.0 zurück, niemals ein NaN). route_by_prototype(query_vec, prototypes) nimmt den Abfragevektor und ein Dictionary {intent_name: prototype_vector} und gibt ein Tupel (best_intent, best_score) zurück -> den nächsten Prototyp und seinen Cosinus, mit dem alphabetischen Tie-Break. Drücke Run um einige Abfragen zu routen und zu sehen, mit welcher Konfidenz jede zurückkommt.
Schreibe cosine(a, b) = a.b / (|a||b|) und gib 0.0 zurück, wenn einer der Vektoren die Länge Null hat (kein NaN). Schreibe dann route_by_prototype(query_vec, prototypes), wobei prototypes ein dict {name: vector} ist. Gib das Tupel (best_name, best_score) für den höchsten Cosinus zurück und löse exakte Gleichheiten durch den alphabetisch ersten Namen auf. Behalte das PROTOTYPES des Starters so wie es ist: die Prüfung liest es aus.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.