Quiz de recherche hybride

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quelles sont les deux approches de récupération que la recherche hybride combine généralement ?
   • Recherche par mots-clés clairsemés (par exemple, BM25) et recherche de vecteurs denses
   • Deux grands modèles de langage différents votant sur les réponses
   • Requêtes SQL et index de texte intégral uniquement
   • Recherche d'images et recherche audio
2. Pourquoi la fusion de rangs réciproques (RRF) est-elle couramment utilisée pour fusionner les résultats ?
   • Il forme un nouveau réseau neuronal pour chaque requête
   • Il combine les documents par position de classement plutôt que par scores bruts, évitant ainsi les inadéquations d'échelle.
   • Il supprime tout document qui apparaît dans les deux listes
   • Il ne conserve que le meilleur résultat de chaque retriever
3. Quel scénario favorise le plus la composante clairsemée (mots clés) de la recherche hybride ?
   • Rechercher des documents qui paraphrasent la requête avec des mots différents
   • Comprendre le ton émotionnel d'une phrase
   • Correspondant à un numéro de pièce exact ou à un code d'erreur qui doit apparaître littéralement
   • Traduire une requête dans une autre langue
4. Quelle est la principale faiblesse de l’utilisation seule de la recherche de vecteurs denses ?
   • Il ne peut pas comprendre les synonymes ou les paraphrases
   • Cela ne fonctionne que sur les images
   • Cela ne nécessite aucune intégration
   • Il peut manquer des jetons rares exacts comme des codes ou des noms de famille spécifiques
5. Que fait un modèle clairsemé appris comme SPLADE ?
   • Il produit des pondérations de termes interprétables à l'aide d'un réseau neuronal, mélangeant des idées clairsemées et denses.
   • Il supprime toutes les correspondances de mots clés de la recherche
   • Il stocke uniquement les images sous forme de vecteurs
   • Il remplace le besoin de toute récupération
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