Преглед
Максималната маргинална релевантност (MMR) е метод за повторно класиране, който балансира колко уместен е даден резултат спрямо това колко различен е от вече избраните резултати. Има значение, защото чистото класиране по уместност често връща почти дублирани пасажи, които губят място в контекстен прозорец на RAG.
Максималната маргинална релевантност е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Когато системата за търсене оценява документите само по отношение на заявка, най-добрите резултати често са излишни - пет пасажа, всички казващи едно и също нещо. MMR, въведен от Carbonell и Goldstein през 1998 г., коригира това, като избира резултати един по един. На всяка стъпка той избира кандидата, който максимизира претеглената смес: ламбда, умножена по неговата релевантност към заявката, минус (1 минус ламбда) по максималното му сходство с всичко, което вече е избрано. Ламбда близо до 1 благоприятства чистата уместност; близо до 0 благоприятства разнообразието. При генериране с разширено извличане, MMR е популярен за извличане на разнообразен набор от парчета, така че езиковият модел вижда допълнителни доказателства, а не повтаряне на същия факт, подобрявайки покритието, без да разширява контекста.
Техническа информация
MMR е алчен, итеративен алгоритъм. Както уместността, така и междудокументното сходство обикновено се изчисляват като косинусово сходство между вградени вектори. Формулата за оценяване е: MMR = argmax върху оставащите документи от [ ламбда * sim(doc, заявка) - (1 - lambda) * max sim(doc, избрано)]. Тъй като преоценява спрямо нарастващия избран набор всеки кръг, той зависи от реда и работи в приблизително O(k*n) сравнения на сходство за k избрани от n кандидати.
Овладяване на максимална маргинална релевантност
Максималната маргинална релевантност (MMR) е метод за повторно класиране, който балансира колко уместен е даден резултат спрямо това колко различен е от вече избраните резултати. Има значение, защото чистото класиране по уместност често връща почти дублиращи се пасажи, които губят място в контекстен прозорец на RAG. Максималната маргинална релевантност 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 Максималната пределна релевантност 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 Максимална пределна релевантност, 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
RAG chatbot използва извличане на MMR, така че първите 5 части покриват различни аспекти на политика вместо пет парафрази на един и същи параграф.
Инструмент за обобщаване на изследвания прилага MMR, за да избере пасажи, които минимизират припокриването, създавайки по-широко, по-малко повтарящо се резюме.
Агрегаторът на новини класира статиите с MMR, за да покаже разнообразно отразяване на дадено събитие, вместо десет издания, повтарящи една история.
Vector store retriever на LangChain излага search_type='mmr' с fetch_k и lambda_mult, за да разнообрази върнатите документи.
Модели на изпълнение
Максимална пределна релевантност на практика
RAG chatbot използва извличане на MMR, така че първите 5 части покриват различни аспекти на политика вместо пет парафрази на един и същи параграф.
RAG chatbot използва извличане на MMR, така че неговите топ 5 части покриват различни аспекти на политика вместо пет парафрази на един и същи абзац. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Максимална пределна релевантност на практика
Инструмент за обобщаване на изследвания прилага MMR, за да избере пасажи, които минимизират припокриването, създавайки по-широко, по-малко повтарящо се резюме.
Инструмент за обобщаване на изследвания прилага MMR, за да избере пасажи, които минимизират припокриването, създавайки по-широко, по-малко повтарящо се обобщение. Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Максимална пределна релевантност на практика
Агрегаторът на новини класира статиите с MMR, за да покаже разнообразно отразяване на дадено събитие, вместо десет издания, повтарящи една история.
Агрегаторът на новини класира статиите с MMR, за да покаже разнообразно отразяване на дадено събитие, вместо десет издания, повтарящи една телеграфна история. Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Максимална пределна релевантност на практика
Vector store retriever на LangChain излага search_type='mmr' с fetch_k и lambda_mult, за да разнообрази върнатите документи.
Vector store retriever на LangChain разкрива search_type='mmr' с fetch_k и lambda_mult, за да диверсифицира върнатите документи. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешка 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.