Enrutamiento por embeddings hacia prototipos
Un clasificador necesita datos de entrenamiento etiquetados. A veces no tienes ninguno -> solo tienes un puñado de consultas de ejemplo para cada intención. El enrutador más barato entonces es el del prototipo más cercano: representa cada intención con un vector (su "prototipo", a menudo el embedding medio de unos cuantos ejemplos), crea el embedding de la consulta entrante y enrútala al prototipo al que apunte más directamente.
"Apuntar más directamente" significa similitud coseno: el coseno del ángulo entre dos vectores, sin tener en cuenta su longitud. Es la medida adecuada para el texto porque un documento largo y uno corto sobre el mismo tema deben seguir coincidiendo.
cosine(a, b) = (a . b) / (|a| |b|)Un valor cercano a 1.0 significa que los vectores apuntan en la misma dirección (misma intención); cercano a 0.0 significa que no tienen relación. El enrutador elige el prototipo con el coseno más alto, y esa puntuación sirve además como una confianza a la que luego puedes aplicar un umbral.
Para ser honestos: en producción esos vectores salen de un modelo de embeddings entrenado (una llamada a una API, o un sentence-transformer). Aquí no podemos cargar uno -> no hay archivo de pesos del modelo ni GPU en el navegador. Así que en esta lección los vectores se te dan como arrays simples de numpy. Estás construyendo la geometría del enrutamiento, que es idéntica tanto si los números vienen de un embedder real como de un conjunto fijo. Los embeddings reales solo ponen mejores números; la lógica del coseno y del argmax es la parte que publicas.
Los empates deben ser deterministas. Si dos prototipos están exactamente a la misma distancia, elegir "el que aparezca primero en el dict" es un fallo latente -> el orden del dict puede cambiar. Deshaz los empates eligiendo la intención cuyo nombre vaya primero alfabéticamente, para que el mismo empate siempre se resuelva igual.
Construye dos funciones. cosine(a, b) devuelve la similitud coseno de dos vectores y es segura ante ceros (un vector de longitud cero devuelve 0.0, nunca NaN). route_by_prototype(query_vec, prototypes) recibe el vector de la consulta y un dict {intent_name: prototype_vector} y devuelve una tupla (best_intent, best_score) -> el prototipo más cercano y su coseno, con el desempate alfabético. Pulsa Ejecutar para enrutar unas cuantas consultas y ver la confianza con la que vuelve cada una.
Escribe cosine(a, b) = a.b / (|a||b|), que devuelva 0.0 cuando cualquiera de los vectores tenga longitud cero (sin NaN). Luego escribe route_by_prototype(query_vec, prototypes), donde prototypes es un dict {name: vector}; devuelve la tupla (best_name, best_score) del coseno más alto, deshaciendo los empates exactos por el nombre que va primero alfabéticamente. Deja PROTOTYPES del código inicial como está: la comprobación lo lee.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.