ከፍተኛው የኅዳግ ተገቢነት መመሪያ

አጠቃላይ እይታ

It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.

ጥልቅ ዳይቭ

የፍለጋ ስርዓት ሰነዶችን ከጥያቄው ጋር በተዛመደ ብቻ ሲያስመዘግብ ከፍተኛው ውጤት ብዙ ጊዜ ይደጋገማል - አምስት ምንባቦች ሁሉም ተመሳሳይ ነገር ይላሉ። በ1998 በካርቦኔል እና ጎልድስቴይን አስተዋወቀ ኤምኤምአር ውጤቱን አንድ በአንድ በመምረጥ ያስተካክላል። በእያንዳንዱ እርምጃ የክብደት ድብልቅን ከፍ የሚያደርገውን እጩ ይመርጣል፡ ላምዳ ከጥያቄው ጋር ያለውን ተዛማጅነት ይጨምረዋል፣ ሲቀነስ (1 ሲቀነስ ላምዳ) ቀድሞውኑ ከተመረጠው ከማንኛውም ነገር ጋር ያለውን ተመሳሳይነት እጥፍ ያደርገዋል። በ 1 አቅራቢያ ያለ ላምዳ ንፁህ ጠቀሜታን ይደግፋል; በ 0 አቅራቢያ ብዝሃነትን ይደግፋል. በዳግም ማግኛ-የተጨመረው ትውልድ ውስጥ፣ኤምኤምአር የተለያዩ ቁርጥራጮችን በማምጣት ታዋቂ ነው ስለዚህ የቋንቋው ሞዴል ተመሳሳይ እውነታ ከመደጋገም ይልቅ ተጨማሪ ማስረጃዎችን ለማየት፣አውዱን ሳያሳድግ ሽፋንን ያሻሽላል።

ቴክኒካዊ ግንዛቤ

MMR ስግብግብ፣ ተደጋጋሚ ስልተ-ቀመር ነው። ሁለቱም ተዛማጅነት እና የሰነድ መካከል ያለው ተመሳሳይነት ብዙውን ጊዜ በቬክተሮች መካተት መካከል እንደ ኮሳይን ተመሳሳይነት ይሰላሉ። የውጤት ቀመሩ፡ MMR = argmax ከቀሪዎቹ ሰነዶች በላይ [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, selected)] ነው። ምክንያቱም በእያንዳንዱ ዙር እያደገ ከተመረጠው ስብስብ አንጻር እንደገና ስለሚገመግም፣ በትእዛዝ ላይ የተመሰረተ እና ከ n እጩዎች ለ k ምርጫዎች በግምት በ O(k*n) ተመሳሳይነት ንፅፅር ይሰራል።

ስልታዊ ተጽእኖ

ፍጥነት እና ልኬት

የቋንቋ የስራ ፍሰቶች ወጥነትን ሳያጠፉ በፍጥነት ሊንቀሳቀሱ ይችላሉ።

መድረስ እና መድረስ

በቋንቋዎች እና በመግባቢያ ዘይቤዎች ተደራሽነትን ያሰፋዋል።

ግልጽ ውሳኔዎች

አውቶሜሽን ድግግሞሹን ሲቆጣጠር ቡድኖች በፍርድ ላይ ብዙ ጊዜ ሊያጠፉ ይችላሉ።

የከፍተኛው የኅዳግ ተዛማጅነት የወደፊት ጊዜ

MMR እንደ LangChain እና Chroma ባሉ የቬክተር ዳታቤዝ ደንበኞች ውስጥ ቀላል ክብደት ያለው ነባሪ ሆኖ ይቆያል፣ እሱም እንደ አንድ መስመር የማውጫ ሁነታ ይቀርባል። የወደፊቱ ስርዓቶች ከተማሩ የብዝሃነት አላማዎች፣ ክላስተር ላይ የተመሰረተ ምርጫ እና መስቀል-ኢንኮደር አድራጊዎች ከኮሳይን ርቀት በበለጠ አዲስነትን ከሚወስኑት ጋር ያጣምሩትታል። የአውድ መስኮቶች እያደጉ ሲሄዱ፣ አጽንዖቱ ቦታን ከመቆጠብ ወደ እውነተኛ ማሟያ ማስረጃዎች በማዘጋጀት እንደ MMR ያሉ ብዝሃነትን የሚያውቁ ምርጫዎች ጥሬ አቅም ቢበዛም ጠቃሚ ሆኖ እንዲቆይ ያደርጋል።

የእውነተኛ-ዓለም አተገባበር

RAG ቻትቦት የኤምኤምአር ሰርስሮትን ይጠቀማል ስለዚህም ዋናዎቹ 5 ክፍሎቹ የአንድ አንቀጽ አምስት አንቀጾች ከመሆን ይልቅ የተለያዩ የፖሊሲ ገጽታዎችን ይሸፍናሉ።

የጥናት ማጠቃለያ መሳሪያ MMRን ይተገበራል መደራረብን የሚቀንሱ ምንባቦችን ለመምረጥ ሰፋ ያለ እና ብዙም ተደጋጋሚ ማጠቃለያ ይሰጣል።

አንድ የዜና ሰብሳቢ አንድ የሽቦ ታሪክን ከሚደግሙ አሥር ማሰራጫዎች ይልቅ የተለያዩ የክስተቶችን ሽፋን ለማሳየት ከኤምኤምአር ጋር መጣጥፎችን ደረጃ ሰጥቷል።

የLangChain የቬክተር ማከማቻ ማግኛ የፍለጋ_type='mmr'ን በfetch_k እና lambda_mult ያጋልጣል የተመለሱ ሰነዶችን ለማብዛት።

አደጋዎች እና የጥበቃ መንገዶች

የተሳሳቱ እውነታዎች በጸጥታ ወደ ሪፖርቶች፣ የድጋፍ ፍሰቶች ወይም የምርምር ውጤቶችን ማስገባት ይችላሉ።

ፈጣን ትብነት በተመሳሳይ ጥያቄዎች ላይ የማይጣጣሙ ውጤቶችን ሊፈጥር ይችላል።

የመዳረሻ መቆጣጠሪያዎች ደካማ ከሆኑ ሚስጥራዊነት ያለው የጽሑፍ ውሂብ ሊጋለጥ ይችላል።

የትግበራ ፍኖተ ካርታ

ከመልቀቅዎ በፊት የውጤት ቅርጸትን፣ ድምጽን እና የጥራት ደረጃዎችን ይግለጹ።

ትክክለኛነት አስፈላጊ በሚሆንበት ጊዜ ሁሉ ከታመኑ ምንጮች ጋር ምላሾች።

ከፍተኛ ውጤት ለማግኘት የሰው የግምገማ ነጥብ አቆይ።

የውድቀት ንድፎችን ይከታተሉ እና ጥያቄዎችን ወይም የስራ ፍሰቶችን በመደበኛነት ያሠለጥኑ።

ማሰስዎን ይቀጥሉ

ChatGPT እና LLMs

የዘመናዊ ቋንቋ ሞዴሎች እንዴት እንደሚያመነጩ እና እንደሚያስቡ ይመልከቱ።

መመሪያ ያንብቡ

NLP መሰረታዊ ነገሮች

ከእነዚህ መሳሪያዎች በስተጀርባ ያለውን የቋንቋ ማቀናበሪያ መሰረታዊ ነገሮችን ይማሩ።

መመሪያ ያንብቡ

Free newsletter

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Maximum Marginal Relevance quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

ከፍተኛ ያልሆነ ማፈን

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Maximum Marginal Relevance?

ከፍተኛው የኅዳግ አግባብነት (MMR) ውጤቱ ምን ያህል አስፈላጊ እንደሆነ ከተመረጡት ውጤቶች ምን ያህል የተለየ እንደሆነ የሚያመዛዝን የድጋሚ ደረጃ አሰጣጥ ዘዴ ነው። አስፈላጊ ነው ምክንያቱም የንፁህ ተዛማጅነት ደረጃ ብዙውን ጊዜ በRAG አውድ መስኮት ውስጥ ቦታ የሚያባክኑ የተባዙ ምንባቦችን ስለሚመልስ።

MMR ለመፍታት የተነደፈው ዋና ችግር ምንድን ነው?

MMR አዲስነትን በመሸለም በመሰረቱ አንድ አይነት ነገር የሚሉ ብዙ ውጤቶችን የማሳየት ተገቢነት-ብቻ የደረጃ ዝንባሌን ይመለከታል።

በኤምኤምአር ቀመር፣ ወደ 1 የሚጠጋ ላምዳ ዋጋ ምን አጽንዖት ይሰጣል?

የላምዳ ክብደት አግባብነት; በ 1 አቅራቢያ ያለው ተዛማጅነት ያለው ቃል የበላይ ሲሆን ወደ 0 ሲቃረብ ልዩነቱ (ዝቅተኛ-ተመሳሳይነት) የበላይ ነው።

MMR ውጤቶቹን እንዴት ይመርጣል?

ኤምኤምአር ስግብግብ የመድገም ዘዴ ነው፡ እያንዳንዱ ምርጫ ቀደም ሲል ከተመረጡት ዕቃዎች ጋር ካለው ከፍተኛ ተመሳሳይነት ሲቀንስ ጠቀሜታውን ከፍ ያደርገዋል።

በኤምኤምአር ውስጥ ለጽሑፍ መክተት ምን ተመሳሳይነት መለኪያ በብዛት ጥቅም ላይ ይውላል?

ቬክተሮችን በመክተት መካከል የኮሳይን ተመሳሳይነት ለሁለቱም መጠይቅ ተገቢነት እና በኤምኤምአር መካከል ያለው የሰነድ ንፅፅር መደበኛ ምርጫ ነው።

ለምንድን ነው MMR በተለይ በዳግም ማግኛ-የተጨመረ ትውልድ (RAG) ውስጥ ጠቃሚ የሆነው?

የተገኙ ቁርጥራጮችን በማብዛት፣ ኤምኤምአር ሞዴሉ ከተደጋገመ ተመሳሳይ እውነታ ይልቅ የተለያዩ ማስረጃዎችን እንዲያይ ያግዘዋል፣ ይህም ሽፋንን ያሻሽላል።