A continuaciónSiguiente guía
Supresión no máxima
IA visual
GUÍA de IA en idiomas
Relevancia marginal máxima
La relevancia marginal máxima (MMR) es un método de reclasificación que equilibra la relevancia de un resultado con su diferencia con respecto a los resultados ya elegidos.
Escuche esta guíaNarrado por IA · ~2 min
En esta pagina2 minutos de lectura
Descripción general
Es importante porque la clasificación de relevancia pura a menudo arroja pasajes casi duplicados que desperdician espacio en una ventana de contexto RAG.
Buceo profundo
Cuando un sistema de búsqueda califica documentos únicamente por su relevancia para una consulta, los primeros resultados suelen ser redundantes: cinco pasajes dicen todos lo mismo. MMR, introducido por Carbonell y Goldstein en 1998, soluciona este problema seleccionando los resultados uno por uno. En cada paso, elige al candidato que maximiza una combinación ponderada: lambda multiplicada por su relevancia para la consulta, menos (1 menos lambda) multiplicada por su similitud máxima con cualquier elemento ya seleccionado. Una lambda cercana a 1 favorece la relevancia pura; cerca de 0 favorece la diversidad. En la generación de recuperación aumentada, MMR es popular por recuperar un conjunto variado de fragmentos, de modo que el modelo de lenguaje ve evidencia complementaria en lugar de repetir el mismo hecho, mejorando la cobertura sin ampliar el contexto.
Implementación en el mundo real
Un chatbot RAG utiliza la recuperación MMR, por lo que sus cinco partes principales cubren diferentes aspectos de una póliza en lugar de cinco paráfrasis del mismo párrafo.
Una herramienta de resumen de investigación aplica MMR para seleccionar pasajes que minimicen la superposición, produciendo un resumen más amplio y menos repetitivo.
Un agregador de noticias clasifica los artículos con MMR para mostrar una cobertura variada de un evento en lugar de diez medios que repiten una historia.
El recuperador de almacén de vectores de LangChain expone search_type='mmr' con fetch_k y lambda_mult para diversificar los documentos devueltos.
El futuro de la máxima relevancia marginal
MMR sigue siendo un valor predeterminado ligero en clientes de bases de datos vectoriales como LangChain y Chroma, donde se ofrece como un modo de recuperación de una línea. Los sistemas futuros lo combinan cada vez más con objetivos de diversidad aprendidos, selección basada en conglomerados y reclasificadores de codificadores cruzados que juzgan la novedad de manera más semántica que la distancia del coseno. A medida que crecen las ventanas de contexto, el énfasis pasa del ahorro de espacio a la curación de evidencia genuinamente complementaria, manteniendo relevante la selección consciente de la diversidad como MMR incluso cuando la capacidad bruta es abundante.
Poniéndolo en práctica
Por qué es importante
- Velocidad y escala. Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
- Acceso y alcance. Amplía el acceso a través de idiomas y estilos de comunicación.
- Decisiones más claras. Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
cuidado con
- Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
- La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
- Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Próximos pasos
- Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
- Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
- Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
- Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Maximum Marginal Relevance quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la relevancia marginal máxima?
La relevancia marginal máxima (MMR) es un método de reclasificación que equilibra la relevancia de un resultado con su diferencia con respecto a los resultados ya elegidos. Es importante porque la clasificación de relevancia pura a menudo arroja pasajes casi duplicados que desperdician espacio en una ventana de contexto RAG.
¿Cuál es el problema principal que MMR está diseñado para resolver?
MMR aborda la tendencia de la clasificación basada únicamente en la relevancia a mostrar muchos resultados que dicen esencialmente lo mismo, al recompensar la novedad.
En la fórmula MMR, ¿qué enfatiza un valor lambda cercano a 1?
Lambda pondera la relevancia; cerca de 1 domina el término de relevancia, mientras que cerca de 0 domina el término de diversidad (baja similitud).
¿Cómo selecciona MMR sus resultados?
MMR es un método iterativo codicioso: cada elección maximiza la relevancia menos la similitud máxima con los elementos ya elegidos.
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.
¿Por qué MMR es especialmente útil en la generación de recuperación aumentada (RAG)?
Al diversificar los fragmentos recuperados, MMR ayuda al modelo a ver evidencia variada en lugar de repetir el mismo hecho, lo que mejora la cobertura.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.