Pertinence marginale maximale
La pertinence marginale maximale (MMR) est une méthode de reclassement qui équilibre la pertinence d'un résultat par rapport à sa différence par rapport aux résultats déjà choisis.
Aperçu
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Plongée profonde
Lorsqu'un système de recherche classe les documents uniquement en fonction de leur pertinence par rapport à une requête, les premiers résultats sont souvent redondants : cinq passages disent tous la même chose. MMR, introduit par Carbonell et Goldstein en 1998, corrige ce problème en sélectionnant les résultats un par un. À chaque étape, il sélectionne le candidat qui maximise un mélange pondéré : lambda multiplié par sa pertinence par rapport à la requête, moins (1 moins lambda) multiplié par sa similarité maximale avec tout ce qui est déjà sélectionné. Un lambda proche de 1 favorise la pertinence pure ; proche de 0, il favorise la diversité. Dans la génération augmentée par récupération, MMR est populaire pour récupérer un ensemble varié de morceaux afin que le modèle de langage voit des preuves complémentaires plutôt que la répétition du même fait, améliorant ainsi la couverture sans élargir le contexte.
Aperçu technique
MMR est un algorithme gourmand et itératif. La pertinence et la similarité inter-documents sont généralement calculées comme une similarité cosinusoïdale entre les vecteurs d'intégration. La formule de notation est la suivante : MMR = argmax sur les documents restants de [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, selected) ]. Parce qu'il est réévalué par rapport à l'ensemble croissant de sélections à chaque tour, il dépend de l'ordre et effectue des comparaisons de similarité à peu près O(k*n) pour k choix parmi n candidats.
Impact stratégique
Vitesse et échelle
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Accès et portée
Il étend l’accès à toutes les langues et styles de communication.
Décisions plus claires
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
L’avenir de la pertinence marginale maximale
MMR reste un défaut léger dans les clients de bases de données vectorielles comme LangChain et Chroma, où il est proposé en mode de récupération sur une seule ligne. Les systèmes futurs l'associent de plus en plus à des objectifs de diversité apprise, à une sélection basée sur des clusters et à des reclassements de codeurs croisés qui jugent la nouveauté de manière plus sémantique que la distance cosinusoïdale. À mesure que les fenêtres contextuelles s’agrandissent, l’accent passe de l’économie d’espace à la conservation de preuves véritablement complémentaires, en gardant pertinente une sélection soucieuse de la diversité comme le MMR, même lorsque la capacité brute est abondante.
Mise en œuvre dans le monde réel
Un chatbot RAG utilise la récupération MMR afin que ses 5 principaux morceaux couvrent différents aspects d'une politique au lieu de cinq paraphrases du même paragraphe.
Un outil de synthèse de recherche applique le MMR pour sélectionner des passages qui minimisent les chevauchements, produisant ainsi un résumé plus large et moins répétitif.
Un agrégateur de nouvelles classe les articles avec MMR pour montrer une couverture variée d'un événement plutôt que dix médias répétant une seule histoire.
Le récupérateur de magasin vectoriel de LangChain expose search_type='mmr' avec fetch_k et lambda_mult pour diversifier les documents renvoyés.
Risques et garde-fous
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Maximum Marginal Relevance quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Suppression non maximale
Questions fréquemment posées
What is Maximum Marginal Relevance?
La pertinence marginale maximale (MMR) est une méthode de reclassement qui équilibre la pertinence d'un résultat par rapport à sa différence par rapport aux résultats déjà choisis. C'est important car le classement par pertinence pure renvoie souvent des passages quasi-dupliqués qui gaspillent de l'espace dans une fenêtre contextuelle RAG.
Quel est le principal problème que le MMR est censé résoudre ?
MMR répond à la tendance du classement axé uniquement sur la pertinence à faire apparaître de nombreux résultats qui disent essentiellement la même chose, en récompensant la nouveauté.
Dans la formule MMR, que souligne une valeur lambda proche de 1 ?
Pertinence des pondérations lambda ; près de 1, le terme de pertinence domine, tandis que près de 0, le terme de diversité (faible similarité) domine.
Comment MMR sélectionne-t-il ses résultats ?
Le MMR est une méthode itérative gourmande : chaque sélection maximise la pertinence moins la similarité maximale avec les éléments déjà choisis.
Quelle mesure de similarité est la plus couramment utilisée dans MMR pour l'intégration de texte ?
La similarité cosinus entre les vecteurs d'intégration est le choix standard à la fois pour la pertinence des requêtes et la comparaison inter-documents dans MMR.
Pourquoi le MMR est-il particulièrement utile dans la génération augmentée par récupération (RAG) ?
En diversifiant les morceaux récupérés, MMR aide le modèle à voir des preuves variées plutôt que la répétition du même fait, améliorant ainsi la couverture.