Κουίζ υβριδικής αναζήτησης

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιες δύο προσεγγίσεις ανάκτησης συνδυάζει συνήθως η υβριδική αναζήτηση;
   • Αραιή αναζήτηση λέξεων-κλειδιών (π.χ. BM25) και πυκνή διανυσματική αναζήτηση
   • Δύο διαφορετικά μοντέλα μεγάλων γλωσσών που ψηφίζουν για τις απαντήσεις
   • Μόνο ερωτήματα SQL και ευρετήρια πλήρους κειμένου
   • Αναζήτηση εικόνων και αναζήτηση ήχου
2. Γιατί το Reciprocal Rank Fusion (RRF) χρησιμοποιείται συνήθως για τη συγχώνευση αποτελεσμάτων;
   • Εκπαιδεύει ένα νέο νευρωνικό δίκτυο για κάθε ερώτημα
   • Συνδυάζει έγγραφα ανά θέση κατάταξης αντί για ακατέργαστες βαθμολογίες, αποφεύγοντας την αναντιστοιχία κλίμακας
   • Διαγράφει οποιοδήποτε έγγραφο εμφανίζεται και στις δύο λίστες
   • Διατηρεί μόνο το μοναδικό κορυφαίο αποτέλεσμα από κάθε retriever
3. Ποιο σενάριο ευνοεί περισσότερο το αραιό (λέξη-κλειδί) στοιχείο της υβριδικής αναζήτησης;
   • Εύρεση εγγράφων που παραφράζουν το ερώτημα με διαφορετικές λέξεις
   • Κατανόηση του συναισθηματικού τόνου μιας πρότασης
   • Αντιστοίχιση ακριβούς αριθμού ανταλλακτικού ή κωδικού σφάλματος που πρέπει να εμφανίζεται κυριολεκτικά
   • Μετάφραση ερωτήματος σε άλλη γλώσσα
4. Ποια είναι η κύρια αδυναμία της χρήσης μόνο της πυκνής διανυσματικής αναζήτησης;
   • Δεν μπορεί να κατανοήσει συνώνυμα ή παραφράσεις
   • Λειτουργεί μόνο σε εικόνες
   • Δεν απαιτεί καθόλου ενσωματώσεις
   • Μπορεί να χάσει ακριβώς σπάνια διακριτικά όπως συγκεκριμένους κωδικούς ή επώνυμα
5. Τι κάνει ένα μαθημένο αραιό μοντέλο όπως το SPLADE;
   • Παράγει ερμηνεύσιμα βάρη όρων χρησιμοποιώντας ένα νευρωνικό δίκτυο, συνδυάζοντας αραιές και πυκνές ιδέες
   • Καταργεί όλη την αντιστοίχιση λέξεων-κλειδιών από την αναζήτηση
   • Αποθηκεύει μόνο εικόνες ως διανύσματα
   • Αντικαθιστά την ανάγκη για οποιαδήποτε ανάκτηση
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