Kvíz spojený s průvodcem · Střední úroveň

Hybridní vyhledávací kvíz

Zopakujte si lexikální a husté vyhledávání, fúzi pořadí, neurální řídké metody a proč se kvalita vyhledávání liší podle domény. Otestujte každý na cílové dotazy.

Související vodicí cestyHybridní vyhledávání
Otázka 1 z 8

Jaké dva přístupy vyhledávání obvykle kombinuje hybridní vyhledávání?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaké dva přístupy vyhledávání obvykle kombinuje hybridní vyhledávání?
    • Řídké vyhledávání klíčových slov (např. BM25) a husté vektorové vyhledávání
    • Dva různé velké jazykové modely hlasující o odpovědích
    • Pouze SQL dotazy a fulltextové indexy
    • Vyhledávání obrázků a vyhledávání zvuku
  2. Proč se ke slučování výsledků běžně používá Reciprocal Rank Fusion (RRF)?
    • Pro každý dotaz trénuje novou neuronovou síť
    • Kombinuje dokumenty podle pozice pozice místo nezpracovaných skóre, čímž se vyhne nesouladu měřítka
    • Odstraní všechny dokumenty, které se objeví v obou seznamech
    • Uchovává pouze jeden nejlepší výsledek od každého retrívra
  3. Který scénář nejvíce upřednostňuje řídkou složku (klíčová slova) hybridního vyhledávání?
    • Hledání dokumentů, které parafrázují dotaz různými slovy
    • Pochopení emocionálního tónu věty
    • Přesné číslo dílu nebo kód chyby, který se musí objevit doslova
    • Překlad dotazu do jiného jazyka
  4. Jaká je hlavní slabina použití samotného hustého vektorového vyhledávání?
    • Nerozumí synonymům ani parafrázím
    • Funguje pouze na obrázky
    • Nevyžaduje vůbec žádné vložení
    • Může postrádat přesné vzácné tokeny, jako jsou konkrétní kódy nebo příjmení
  5. Co dělá naučený řídký model jako SPLADE?
    • Vytváří interpretovatelné termínové váhy pomocí neuronové sítě a mísí řídké a husté myšlenky
    • Z vyhledávání odstraní všechna shoda klíčových slov
    • Obrázky ukládá pouze jako vektory
    • Nahrazuje potřebu jakéhokoli vyhledávání
  6. What can combining lexical and dense retrieval provide to a RAG system?
    • A guarantee that every generated statement is true
    • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
    • A replacement for grounding sources
    • An automatic legal review of generated answers
  7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
    • They always ran faster and used less compute than BM25
    • They made retrieval independent of the corpus
    • They often achieved stronger zero-shot performance but at higher computational cost
    • They guaranteed a correct generated answer
  8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
    • It always beats every neural retriever
    • It cannot retrieve exact terms
    • It is a dense-vector model
    • It remains a robust baseline across diverse datasets