Roteamento de Embedding para Protótipo
A precisa de dados de treinamento rotulados. Às vezes você não tem nenhum -> você tem apenas um punhado de example consultas para cada intenção. O roteador mais barato então é o nearest-prototype: represente cada intenção por um vetor (seu "protótipo", geralmente a média do embedding de alguns exemplos), faça o embedding da consulta de entrada e direcione para qualquer protótipo que ela aponte mais diretamente.
"Points most directly at" significa cosine similarity: o cosseno do ângulo entre dois vetores, ignorando o comprimento deles. É a medida certa para texto porque um documento longo e um curto sobre o mesmo tópico ainda devem coincidir.
cosine(a, b) = (a . b) / (|a| |b|)Um valor perto de 1.0 significa que os vetores apontam para o mesmo lado (mesma intenção); perto de 0.0 significa não relacionados. O router escolhe o protótipo com o cosseno mais alto, e essa pontuação serve como uma confidence que você pode filtrar depois.
Enquadramento honesto: em produção esses vetores vêm de um modelo de embedding treinado (uma chamada de API, ou um sentence-transformer). Não podemos carregar um aqui -> não há arquivo de pesos do modelo e não há GPU no navegador. Então nesta lição os vetores são dados a você como arrays numpy puros. Você está construindo a geometria de roteamento, que é idêntica quer os números venham de um embedder real ou de um fixture. Embeddings reais apenas preenchem números melhores; a lógica de cosine-and-argmax é a parte que você entrega.
Ties devem ser determinísticos. Se dois protótipos estiverem exatamente à mesma distância, escolher "qualquer um que vier primeiro no dict" é um bug latente -> a ordem do dict pode mudar. Quebre empates escolhendo a intenção cujo nome venha primeiro em ordem alfabética, para que o mesmo empate sempre resolva da mesma forma.
Construa duas funções. cosine(a, b) retorna a similaridade de cosseno de dois vetores e é segura para zeros (um vetor de comprimento zero retorna 0.0, nunca um NaN). route_by_prototype(query_vec, prototypes) recebe o vetor de consulta e um dicionário {intent_name: prototype_vector} e retorna uma tupla (best_intent, best_score) -> o protótipo mais próximo e seu cosseno, com desempate alfabético. Pressione Run para rotear algumas consultas e ver a confiança com que cada uma retorna.
Escreva cosine(a, b) = a.b / (|a||b|), retornando 0.0 quando qualquer vetor tiver comprimento zero (sem NaN). Depois escreva route_by_prototype(query_vec, prototypes) onde prototypes é um dicionário {name: vector}; retorne a tupla (best_name, best_score) para o cosseno mais alto, desempatando nomes idênticos pelo primeiro nome em ordem alfabética. Mantenha o PROTOTYPES do iniciante como está: a verificação o lê.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.