Perguntas em paralelo
Executa um briefing regulatório de 13 perguntas sobre o artigo da Wikipédia sobre o RGPD, mostrando que agrupar todas as perguntas numa única chamada ao TypeSafe é 12,2x mais barato e 10,0x mais rápido sem alterar as respostas.
Tens um documento e N perguntas sobre ele. Podes enviar um pedido com todas as N perguntas, ou N pedidos com uma pergunta cada. Com o TypeSafe, as respostas saem iguais das duas formas: cada pergunta é avaliada por si própria em relação ao documento, por isso a sua resposta não depende do que mais está no pedido.
Para verificar isso, o cookbook faz cada pergunta várias vezes das duas formas - todas as N num único pedido, e uma pergunta por pedido - e compara o desvio padrão entre execuções: o quanto uma resposta se move de uma repetição para a próxima. Seja qual for o ruído de uma pergunta, ele existe nas duas formas de agrupamento. O agrupamento não acrescenta nenhum. A maioria das respostas voltou idêntica nas 5 repetições das duas formas, o mesmo valor em cada chamada, desvio padrão exatamente 0,0.
O custo e a velocidade, sim, mudam. O documento domina cada pedido. N chamadas de uma pergunta pagam por ele N vezes, em N idas e voltas; a chamada agrupada paga uma vez. Quanto maior o documento, mais perto essa poupança fica de um Nx completo.
O caso aqui é um briefing regulatório. O documento é o artigo da Wikipédia sobre o RGPD
(cerca de 54 000 caracteres, uma carga de trabalho dominada pelo documento, em que o documento
é a maior parte de cada pedido), e uma equipa de conformidade quer 13 coisas verificadas:
8 perguntas Noul, 2 perguntas Choice e 3 perguntas Score.
Configuração
pip install ipython 'cooksafe>=0.2.0,<0.3.0'depois define TYPESAFE_API_KEY.
import json
import os
import urllib.request
from pathlib import Path
from statistics import mean, stdev
from time import perf_counter
from cooksafe import JsonCache, make_playground_link
from IPython.display import Markdown, display
from typesafe_sdk import Choice, ChoiceAnswer, Noul, NoulAnswer, Score, TypeSafeClient
TYPESAFE_MODEL = "jev-1.12"
PRICE = (
0.042,
0.00,
) # $ per 1M tokens (input, output); TypeSafe jev-1.12 as of 2026-09, see README
RUNS = 5 # repeats per batching strategy, to estimate each answer's run-to-run std dev
client = TypeSafeClient(api_key=os.environ["TYPESAFE_API_KEY"], timeout=120.0)
json_cache = JsonCache(Path("json_cache.json"))O documento: o artigo da Wikipédia sobre o RGPD
Obtido como texto simples de uma revisão fixada do artigo e guardado em cache no
json_cache.json ao lado das chamadas à API, para que o documento e os seus números permaneçam
fixos mesmo quando o artigo em direto for editado.
WIKIPEDIA_REVISION = 1363040264 # "General Data Protection Regulation", as of 2026-07
@json_cache
def fetch_article(revision_id: int) -> str:
url = (
"https://en.wikipedia.org/w/api.php?action=query&format=json"
f"&prop=extracts&explaintext=1&revids={revision_id}"
)
request = urllib.request.Request(
url, headers={"User-Agent": "typesafe-cookbook/1.0"}
)
with urllib.request.urlopen(request) as response:
pages = json.loads(response.read())["query"]["pages"]
return next(iter(pages.values()))["extract"]
DOCUMENT = {
"source": f"https://en.wikipedia.org/?oldid={WIKIPEDIA_REVISION}",
"text": fetch_article(WIKIPEDIA_REVISION),
}
print(f"{len(DOCUMENT['text']):,} characters")
display(Markdown(f"📄 [Read the pinned Wikipedia revision]({DOCUMENT['source']})"))53,777 characters📄 Lê a revisão fixada da Wikipédia
As perguntas: 8 nouls + 2 choices + 3 scores
Um número acompanhado por resposta, por tipo:
Noul: a probabilidade de “sim”.Choice: a prob. máxima, a probabilidade sobre o rótulo escolhido.criteriamapeia cada rótulo para o seu significado.Score: o score normalizado para 0–1, o score dividido pelo nível mais alto.criterialista as descrições dos níveis, do nível 0 para cima.
QUESTIONS = {
"breach_72h": Noul(
instructions="Must a personal data breach be reported to the supervisory authority within 72 hours?"
),
"applies_non_eu": Noul(
instructions="Does the regulation apply to organisations established outside the EU that offer goods or services to people in the EU?"
),
"dpo_all_orgs": Noul(
instructions="Must every organisation appoint a Data Protection Officer, regardless of what data it processes?"
),
"pre_ticked_consent": Noul(
instructions="Can valid consent be obtained through pre-ticked boxes or inactivity?"
),
"right_erasure": Noul(
instructions="Does the regulation grant individuals a right to erasure of their personal data?"
),
"data_portability": Noul(
instructions="Does the regulation include a right to data portability?"
),
"us_federal_law": Noul(instructions="Is the GDPR a United States federal law?"),
"criminal_penalties": Noul(
instructions="Does the GDPR itself impose criminal penalties such as imprisonment?"
),
"instrument_type": Choice(
instructions="What kind of EU legal instrument is the GDPR?",
criteria={
"Regulation": "Directly binding law in all member states, no national implementation needed.",
"Directive": "Sets goals that member states implement through national law.",
"Treaty": "An international treaty between states.",
"Recommendation": "Non-binding guidance.",
},
),
"max_fine": Choice(
instructions="What is the maximum administrative fine for the most serious infringements?",
criteria={
"TwentyM_or_4pct": "Up to EUR 20 million or 4% of annual worldwide turnover, whichever is greater.",
"TenM_or_2pct": "Up to EUR 10 million or 2% of annual worldwide turnover, whichever is greater.",
"FixedCap": "A fixed amount not tied to turnover.",
"NoFines": "The GDPR provides no administrative fines.",
},
),
"individual_rights": Score(
instructions="How strong are the rights the GDPR grants to individuals over their data?",
criteria=[
"None: individuals get no rights over their data.",
"Weak: a right to be informed, but little control.",
"Moderate: access and correction rights, but limited means to act on them.",
"Strong: access, erasure, portability, and objection rights, with enforcement behind them.",
],
),
"penalty_severity": Score(
instructions="How severe are the penalties the GDPR provides for non-compliance?",
criteria=[
"None: no penalties of any kind.",
"Symbolic: small fixed fines unlikely to change behavior.",
"Substantial: fines large enough to matter to most companies.",
"Severe: fines scaled to global revenue, material even to the largest companies.",
],
),
"compliance_burden": Score(
instructions="How heavy is the compliance burden the GDPR places on organisations?",
criteria=[
"Negligible: no meaningful obligations.",
"Light: a few notices and disclosures.",
"Moderate: documented processes and some dedicated roles for larger processors.",
"Heavy: records, impact assessments, officers, and breach procedures for many organisations.",
"Extreme: obligations so demanding that ordinary organisations cannot fully comply.",
],
),
}
N = len(QUESTIONS)
METRIC = { # question type -> the one number we track per answer
Noul: "p(yes)",
Choice: "max prob",
Score: "normalized score",
}Pergunta das duas formas, 5 vezes cada
ask() envia qualquer subconjunto das perguntas com o documento e reduz cada resposta ao seu
único número acompanhado. O documento é idêntico byte a byte em cada chamada.
As duas estratégias de agrupamento executam RUNS = 5 vezes, dando a cada pergunta 5
respostas por estratégia, o suficiente para comparar a média (as duas concordam?) e o desvio
padrão (o agrupamento acrescenta ruído?). As chamadas são guardadas em cache no
json_cache.json, que acompanha o cookbook, por isso voltar a renderizar é gratuito; apaga-o para
correr ao vivo.
@json_cache
def ask(keys: tuple[str, ...], run: int):
"""One TypeSafe call -> ({key: tracked metric}, input_tokens, output_tokens, latency_s);
``run`` only forces a distinct live call per repeat."""
started = perf_counter()
response = client.system_one(
state={"article": DOCUMENT},
questions={key: QUESTIONS[key] for key in keys},
model=TYPESAFE_MODEL,
)
values = {}
for key in keys:
answer = response.answers[key]
if isinstance(answer, NoulAnswer):
values[key] = answer.noul
elif isinstance(answer, ChoiceAnswer):
values[key] = max(answer.probabilities.values())
else:
values[key] = answer.score / (len(QUESTIONS[key].criteria) - 1)
return (
values,
response.usage.input_tokens,
response.usage.output_tokens,
perf_counter() - started,
)
def priced(result):
"""({key: metric}, in_tokens, out_tokens, latency) -> ({key: metric}, cost_usd, latency)."""
values, input_tokens, output_tokens, latency = result
return values, input_tokens / 1e6 * PRICE[0] + output_tokens / 1e6 * PRICE[1], latency
# Price after cache retrieval, so a price change needs no new calls.
batched = [
priced(ask(tuple(QUESTIONS), run)) for run in range(RUNS)
] # all N in one call, x RUNS
singles = [
{key: priced(ask((key,), run)) for key in QUESTIONS} for run in range(RUNS)
] # N x 1, x RUNSO agrupamento não muda as respostas
Por pergunta: a média e o desvio padrão do número acompanhado ao longo das 5 execuções, sob cada estratégia de agrupamento. Se o agrupamento mudasse as respostas, as colunas agrupadas seriam diferentes das colunas individuais. Uma média deslocada é enviesamento. Um desvio padrão maior é ruído.
print(
f"{'question':<22}{'metric':<18}{'batched mean':>13}{'single mean':>12}"
f"{'batched std':>13}{'single std':>12}"
)
for key, question in QUESTIONS.items():
batched_values = [values[key] for values, _cost, _latency in batched]
single_values = [singles[run][key][0][key] for run in range(RUNS)]
print(
f"{key:<22}{METRIC[type(question)]:<18}{mean(batched_values):>13.3f}"
f"{mean(single_values):>12.3f}{stdev(batched_values):>13.4f}{stdev(single_values):>12.4f}"
)question metric batched mean single mean batched std single std
breach_72h p(yes) 0.804 0.814 0.0055 0.0055
applies_non_eu p(yes) 0.990 0.990 0.0000 0.0000
dpo_all_orgs p(yes) 0.030 0.030 0.0000 0.0000
pre_ticked_consent p(yes) 0.040 0.040 0.0000 0.0000
right_erasure p(yes) 0.990 0.990 0.0000 0.0000
data_portability p(yes) 0.990 0.990 0.0000 0.0000
us_federal_law p(yes) 0.010 0.010 0.0000 0.0000
criminal_penalties p(yes) 0.108 0.108 0.0045 0.0084
instrument_type max prob 1.000 1.000 0.0000 0.0000
max_fine max prob 1.000 1.000 0.0000 0.0000
individual_rights normalized score 1.000 1.000 0.0000 0.0000
penalty_severity normalized score 1.000 1.000 0.0000 0.0000
compliance_burden normalized score 0.750 0.750 0.0000 0.0000Como ler a tabela por tipo de pergunta:
- Choices, scores e seis dos oito nouls voltam idênticos nas 5 repetições: desvio padrão exatamente 0,0 nas duas estratégias de agrupamento, cada chamada agrupada e individual retornando o mesmo número. Uma chamada com N perguntas dá as mesmas respostas que N chamadas com uma pergunta cada.
breach_72hecriminal_penaltiescarregam um pouco de ruído de amostragem entre execuções, e ele tem o mesmo tamanho nas duas estratégias de agrupamento, com as médias concordando dentro desse ruído. O ruído é uma propriedade da pergunta, não de como tu agrupas: o agrupamento nem desloca a resposta nem acrescenta variância.
De qualquer modo, não há efeito de agrupamento: a resposta de nenhuma pergunta depende das outras 12 perguntas que partilham o seu pedido.
A única diferença: custo e velocidade
Mesmas respostas, conta diferente. O artigo de cerca de 54 000 caracteres domina cada pedido, por isso:
- Custo: as 13 chamadas de uma pergunta reenviam o artigo 13 vezes; a chamada agrupada o envia uma vez. Essa poupança é válida independentemente de como disparas as chamadas.
- Velocidade: o valor soma as 13 latências das chamadas individuais, por isso assume que elas correm uma após a outra. Dispara-as em paralelo e a diferença encolhe, mas o custo de tokens 13x permanece.
As contagens de tokens e as latências são guardadas em cache juntamente com as respostas; o custo é aplicado depois, e ambos são calculados como média das 5 execuções.
batched_cost = mean(cost for _values, cost, _latency in batched)
batched_latency = mean(latency for _values, _cost, latency in batched)
singles_cost = mean(
sum(singles[run][key][1] for key in QUESTIONS) for run in range(RUNS)
)
singles_latency = mean(
sum(singles[run][key][2] for key in QUESTIONS) for run in range(RUNS)
)
print(f"{'batching':<24}{'calls':>6}{'cost':>12}{'total time':>12}")
print(
f"{f'one call, all {N}':<24}{1:>6}{'$' + format(batched_cost, '.6f'):>12}{format(batched_latency, '.2f') + 's':>12}"
)
print(
f"{f'{N} calls, one each':<24}{N:>6}{'$' + format(singles_cost, '.6f'):>12}{format(singles_latency, '.2f') + 's':>12}"
)
print(
f"\nbatching: {singles_cost / batched_cost:.1f}x cheaper, {singles_latency / batched_latency:.1f}x faster"
)batching calls cost total time
one call, all 13 1 $0.000497 0.27s
13 calls, one each 13 $0.006090 2.71s
batching: 12.2x cheaper, 10.0x fasterAbre no playground do TypeSafe
O mesmo artigo e as mesmas 13 perguntas, empacotados num link de partilha. Abre para correr o briefing ao vivo; os mesmos números voltam.
playground_link = make_playground_link(
{"article": DOCUMENT}, QUESTIONS, models=[TYPESAFE_MODEL]
)
display(
Markdown(
f"🔗 [Open this article + questions in the TypeSafe playground]({playground_link})"
)
)