Jazyk AI GUIDE
Maximální okrajová relevance
Maximální mezní relevance (MMR) je metoda přehodnocení, která vyvažuje, jak relevantní je výsledek, a jak se liší od již vybraných výsledků.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Na této stránce2 minuty čtení
Přehled
Záleží na tom, protože hodnocení čisté relevance často vrací téměř duplicitní pasáže, které plýtvají místem v kontextovém okně RAG.
Hluboký ponor
Když vyhledávací systém hodnotí dokumenty čistě podle relevance k dotazu, nejlepší výsledky jsou často nadbytečné – pět pasáží říká totéž. MMR, představený společnostmi Carbonell a Goldstein v roce 1998, to opravuje výběrem výsledků jeden po druhém. V každém kroku vybere kandidáta, který maximalizuje váženou směs: lambda krát jeho relevance k dotazu, mínus (1 mínus lambda) krát jeho maximální podobnost s čímkoli již vybraným. Lambda blízko 1 upřednostňuje čistou relevanci; blízko 0 upřednostňuje rozmanitost. V generování s rozšířeným vyhledáváním je MMR populární pro získávání pestré sady kousků, takže jazykový model vidí spíše doplňkové důkazy než opakování stejné skutečnosti, čímž se zlepšuje pokrytí bez rozšiřování kontextu.
Real-World Implementace
Chatbot RAG používá vyhledávání MMR, takže jeho 5 nejlepších částí pokrývá různé aspekty politiky namísto pěti parafrází stejného odstavce.
Nástroj pro sumarizaci výzkumu používá MMR k výběru pasáží, které minimalizují překrývání, a vytváří tak širší, méně se opakující souhrn.
Agregátor zpráv řadí články s MMR tak, aby zobrazovaly různé pokrytí události, spíše než deset prodejen opakujících jeden příběh.
LangChainův vektorový obchod retriever odhaluje search_type='mmr' pomocí fetch_k a lambda_mult pro diverzifikaci vrácených dokumentů.
Budoucnost maximální marginální relevance
MMR zůstává lehkým výchozím nastavením ve vektorových databázových klientech, jako jsou LangChain a Chroma, kde je nabízen jako režim jednořádkového vyhledávání. Budoucí systémy jej stále více spárují s naučenými cíli diverzity, selekcí na základě clusteru a přehodnocením křížového kodéru, které posuzují novost sémanticky více než kosinusová vzdálenost. Jak se kontextová okna rozrůstají, důraz se přesouvá od úspory místa k získávání skutečně doplňujících důkazů, přičemž výběr zohledňující rozmanitost, jako je MMR, je relevantní, i když je nezpracovaná kapacita bohatá.
Uvedení do praxe
Proč na tom záleží
- Rychlost a měřítko. Jazykové pracovní postupy se mohou pohybovat rychleji, aniž by byla obětována konzistentnost.
- Přístup a dosah. Rozšiřuje přístup napříč jazyky a komunikačními styly.
- Jasnější rozhodnutí. Týmy mohou strávit více času úsudkem, zatímco automatizace zvládne opakování.
Pozor na
- Halucinovaná fakta mohou tiše vstupovat do zpráv, podpůrných toků nebo výstupů výzkumu.
- Citlivost na výzvy může způsobit nekonzistentní výsledky napříč podobnými požadavky.
- Citlivá textová data mohou být vystavena, pokud je řízení přístupu slabé.
Další kroky
- Před zavedením definujte výstupní formát, tón a standardy kvality.
- Pozemní reakce s důvěryhodnými zdroji, kdykoli záleží na přesnosti.
- Udržujte kontrolní bod lidské kontroly pro vysoce důležité výstupy.
- Sledujte vzorce selhání a pravidelně opakujte výzvy nebo pracovní postupy.
Pokračujte v objevování
Newsletter zdarma
Získejte denní přehled o AI
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Take the Maximum Marginal Relevance quiz
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Často kladené otázky
Co je maximální okrajová relevance?
Maximální mezní relevance (MMR) je metoda přehodnocení, která vyvažuje, jak relevantní je výsledek, a jak se liší od již vybraných výsledků. Záleží na tom, protože hodnocení čisté relevance často vrací téměř duplicitní pasáže, které plýtvají místem v kontextovém okně RAG.
Jaký je hlavní problém, který má MMR vyřešit?
MMR se zabývá tendencí hodnocení pouze podle relevance, aby se objevilo mnoho výsledků, které říkají v podstatě totéž, tím, že odměňuje novost.
Co ve vzorci MMR zdůrazňuje hodnota lambda blízká 1?
Relevance lambda závaží; blízko 1 dominuje člen relevance, zatímco blízko 0 dominuje člen diverzity (nízká podobnost).
Jak MMR vybírá své výsledky?
MMR je zištná iterativní metoda: každý výběr maximalizuje relevanci minus maximální podobnost s již vybranými položkami.
How can an embedding-based MMR implementation measure query relevance and document redundancy?
The general algorithm permits suitable similarity functions; cosine is a common choice for vector representations.
Proč je MMR zvláště užitečné při získávání rozšířené generace (RAG)?
Díky diverzifikaci získaných kousků pomáhá MMR modelu vidět různé důkazy spíše než opakovat stejnou skutečnost, což zlepšuje pokrytí.
Učte se dál
Související průvodci
Pro toto téma bylo vybráno více průvodců