Преглед
BM25 е класическата функция за класиране, базирана на ключови думи, която оценява документите според това колко често се появяват термините на заявката, коригирани за рядкост на термините и дължина на документа. На десетилетия, той остава забележително силна и повсеместна основа за търсене.
BM25 и Lexical Retrieval е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
BM25 (Best Matching 25) е функция за класиране на пакет от думи от вероятностната рамка на Okapi от 90-те години. За всеки термин на заявка той комбинира три сигнала: честота на термина (колко често думата се появява в документ, с намаляващи резултати, контролирани от параметър k1), обратна честота на документа (по-редките думи в колекцията се броят повече) и нормализиране на дължината на документа (параметър b, така че дългите документи не са несправедливо предпочитани). Сумирайте тези резултати за семестър и ще получите ранга на документа. Не се нуждае от обучение и работи светкавично бързо чрез обърнати индекси, поради което търсачки като Elasticsearch и Lucene го използват по подразбиране. Въпреки нарастването на невронното извличане, BM25 все още печели или се изравнява по много показатели, особено за редки термини, точни идентификатори и заявки извън домейн.
Техническа информация
Компонентът термин-честота на BM25 се насища: параметърът k1 ограничава колко повтарящи се думи повишават резултата, така че термин, който се появява 50 пъти, не е 50 пъти по-уместен от веднъж. Параметърът b смесва необработена и нормализирана по дължина честота. IDF намалява често срещаните думи като „the“ и награждава отличителните. Тъй като работи с обърнат индекс, преобразуващ всяка дума в своя списък с документи, точкуването докосва само документи, съдържащи термини на заявка, което го прави изключително ефективно.
Овладяване на BM25 и лексикално извличане
BM25 е класическата функция за класиране, базирана на ключови думи, която оценява документите според това колко често се появяват термините на заявката, коригирани за рядкост на термините и дължина на документа. На десетилетия, той остава забележително силна и повсеместна основа за търсене. BM25 и Lexical Retrieval е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте BM25 и Lexical Retrieval като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи BM25 и Lexical Retrieval, проектират подкани, извличане и цикли за преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Класиране по уместност по подразбиране в Elasticsearch, OpenSearch и Apache Lucene/Solr
Първоетапно извличане на кандидати, което захранва по-бавен невронен прекласатор при двуетапно търсене
Търсене на кодове и регистрационни файлове, където точните идентификатори и кодовете на грешки трябва да съвпадат точно
Копаене на твърди отрицателни примери за обучение на плътни ретривъри като DPR
Модели на изпълнение
BM25 и лексикално извличане на практика
Класиране по уместност по подразбиране в Elasticsearch, OpenSearch и Apache Lucene/Solr.
Класиране по уместност по подразбиране в Elasticsearch, OpenSearch и Apache Lucene/Solr Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
BM25 и лексикално извличане на практика
Първоетапно извличане на кандидати, което захранва по-бавен невронен прекласатор при двуетапно търсене.
Извличане на кандидати от първи етап, което захранва по-бавно невронно прекласиране в двуетапно търсене. Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
BM25 и лексикално извличане на практика
Търсене на кодове и регистрационни файлове, където точните идентификатори и кодовете на грешки трябва да съвпадат точно.
Търсене на кодове и регистрационни файлове, където точните идентификатори и кодовете за грешки трябва да съвпадат точно Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
BM25 и лексикално извличане на практика
Копаене на твърди отрицателни примери за обучение на плътни ретривъри като DPR.
Извличането на твърди отрицателни примери за обучение на гъсти ретривъри като DPR Teams обикновено постига по-добри резултати, когато дефинират праговете за качество предварително, поддържат човешка пътека за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.