Embedding-naar-Prototype Routing
A classifier heeft gelabelde trainingsdata nodig. Soms heb je helemaal niets -> je hebt alleen een handvol example queries voor elke intent. De goedkoopste router is dan nearest-prototype: representeer elke intent door één vector (zijn "prototype", vaak de gemiddelde embedding van een paar voorbeelden), embed de binnenkomende query, en route deze naar het prototype waar het het meest direct naar wijst.
"Points most directly at" betekent cosine similarity: de cosinus van de hoek tussen twee vectoren, waarbij de lengte wordt genegeerd. Het is de juiste maatstaf voor tekst omdat een lang document en een kort document over hetzelfde onderwerp nog steeds moeten overeenkomen.
cosine(a, b) = (a . b) / (|a| |b|)Een A waarde dicht bij 1.0 betekent dat de vectoren dezelfde kant op wijzen (dezelfde intentie); dicht bij 0.0 betekent ongerelateerd. De router kiest het prototype met de hoogste cosinus, en die score dient ook als een confidence waar je later een drempelwaarde voor kunt instellen.
Eerlijke omschrijving: in productie komen die vectoren van een getraind embedding model (een API call, of een sentence-transformer). We kunnen er hier geen laden -> er is geen model weights bestand en geen GPU in de browser. In deze les worden de vectoren je gegeven als gewone numpy arrays. Je bouwt de routing geometrie, die identiek is of de nummers nu van een echte embedder of van een fixture kwamen. Echte embeddings vullen alleen betere nummers in; de cosine-and-argmax logica is het deel dat je levert.
Ties moeten deterministisch zijn. Als twee prototypes exact even ver weg zijn, is het kiezen van "wat er toevallig eerst in de dict staat" een verborgen bug -> de dict volgorde kan verschuiven. Los ties op door de intent te kiezen waarvan de naam alfabetisch als eerste sorteert, zodat dezelfde tie altijd op dezelfde manier wordt opgelost.
Bouw twee functies. cosine(a, b) geeft de cosine similarity van twee vectoren terug en is zero-safe (een vector met lengte nul geeft 0.0, nooit een NaN). route_by_prototype(query_vec, prototypes) neemt de query vector en een dict {intent_name: prototype_vector} en geeft een tuple (best_intent, best_score) terug -> het dichtstbijzijnde prototype en zijn cosine, met de alfabetische tie-break. Druk op Run om een paar queries te routeren en zie de confidence die elk een teruggeeft.
Schrijf cosine(a, b) = a.b / (|a||b|), waarbij 0.0 wordt teruggegeven als een van de vectoren een lengte van nul heeft (geen NaN). Schrijf daarna route_by_prototype(query_vec, prototypes) waar prototypes een dict {name: vector} is; geef de tuple (best_name, best_score) terug voor de hoogste cosinus, waarbij bij exacte gelijke waarden de naam die alfabetisch eerst komt wordt gekozen. Houd de PROTOTYPES van de starter zoals deze is: de check leest deze.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.