Embeddings para tareas de clasificación

Introducción a las incrustaciones con la OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Tareas de clasificación

Asignar etiquetas a elementos

Categorización
- Ejemplo: titulares por temas
Análisis de sentimiento

Una tabla de temas que podríamos usar para categorizar artículos.

Tareas de clasificación

Asignar etiquetas a elementos

Categorización
- Ejemplo: titulares por temas
Análisis de sentimiento
- Ejemplo: clasificar reseñas como positivas o negativas

Los embeddings capturan el significado semántico

Una tabla con una cara sonriente y otra triste, que podría usarse para categorizar por sentimiento.

Clasificación con embeddings

Zero-shot classification:
- Sin usar datos etiquetados

Proceso:

Generar embeddings de descripciones de clases

Descripciones de clases con embeddings en el espacio vectorial.

Clasificación con embeddings

Zero-shot classification:
- Sin usar datos etiquetados

Proceso:

Generar embeddings de descripciones de clases
Generar el embedding del elemento a clasificar
Calcular distancias coseno

Descripciones de clases con embeddings en el espacio vectorial, con un vector desconocido mostrado.

Clasificación con embeddings

Zero-shot classification:
- Sin usar datos etiquetados

Proceso:

Generar embeddings de descripciones de clases
Generar el embedding del elemento a clasificar
Calcular distancias coseno
Asignar la etiqueta más similar

Descripciones de clases con embeddings en el espacio vectorial, con un vector desconocido asignado a la etiqueta Tech.

Generar embeddings de descripciones de clases

topics = [
  {'label': 'Tech'},
  {'label': 'Science'},
  {'label': 'Sport'},
  {'label': 'Business'},
]


class_descriptions = [topic['label'] for topic in topics]

class_embeddings = create_embeddings(class_descriptions)

Generar embedding del elemento a clasificar

article = {"headline": "How NVIDIA GPUs Could Decide Who Wins the AI Race",
           "keywords": ["ai", "business", "computers"]}


def create_article_text(article):
  return f"""Headline: {article['headline']}
Keywords: {', '.join(article['keywords'])}"""

article_text = create_article_text(article)

article_embeddings = create_embeddings(article_text)[0]

Calcular distancias coseno

def find_closest(query_vector, embeddings):
  distances = []
  for index, embedding in enumerate(embeddings):
    dist = distance.cosine(query_vector, embedding)
    distances.append({"distance": dist, "index": index})
  return min(distances, key=lambda x: x["distance"])


closest = find_closest(article_embeddings, class_embeddings)

Extraer la etiqueta más similar

label = topics[closest['index']]['label']

print(label)

Business

article = {"headline": "How NVIDIA GPUs Could Decide Who Wins the AI Race",
           "keywords": ["ai", "business", "computers"]}

Limitación:

Las descripciones de clase tenían poco detalle

Descripciones más detalladas

topics = [
  {'label': 'Tech', 'description': 'A news article about technology'},
  {'label': 'Science', 'description': 'A news article about science'},
  {'label': 'Sport', 'description': 'A news article about sports'},
  {'label': 'Business', 'description': 'A news article about business'},
]


class_descriptions = [topic['description'] for topic in topics]
class_embeddings = create_embeddings(class_descriptions)

[...]
label = topics[closest['index']]['label']
print(label)

Tech

¡Vamos a practicar!

Introducción a las incrustaciones con la OpenAI API