अधिकतम सीमान्त प्रासंगिकता
अधिकतम सीमांत प्रासंगिकता (एमएमआर) एक पुन: रैंकिंग पद्धति है जो यह संतुलित करती है कि कोई परिणाम कितना प्रासंगिक है और यह पहले से चुने गए परिणामों से कितना अलग है।
सिंहावलोकन
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
गहरा गोता
जब एक खोज प्रणाली किसी क्वेरी की प्रासंगिकता के आधार पर दस्तावेज़ों को स्कोर करती है, तो शीर्ष परिणाम अक्सर अनावश्यक होते हैं - पांच मार्ग सभी एक ही बात कहते हैं। 1998 में कार्बोनेल और गोल्डस्टीन द्वारा शुरू किया गया एमएमआर, एक समय में एक परिणाम का चयन करके इसे ठीक करता है। प्रत्येक चरण में यह उस उम्मीदवार को चुनता है जो भारित मिश्रण को अधिकतम करता है: लैम्ब्डा क्वेरी के लिए इसकी प्रासंगिकता का गुना है, माइनस (1 माइनस लैम्ब्डा) पहले से चयनित किसी भी चीज़ के लिए इसकी अधिकतम समानता का गुना है। 1 के निकट एक लैम्ब्डा शुद्ध प्रासंगिकता का पक्षधर है; 0 के करीब यह विविधता का पक्षधर है। पुनर्प्राप्ति-संवर्धित पीढ़ी में, एमएमआर टुकड़ों के विभिन्न सेट लाने के लिए लोकप्रिय है, इसलिए भाषा मॉडल एक ही तथ्य को दोहराने के बजाय पूरक साक्ष्य देखता है, जिससे संदर्भ को बढ़ाए बिना कवरेज में सुधार होता है।
तकनीकी अंतर्दृष्टि
एमएमआर एक लालची, पुनरावृत्त एल्गोरिथ्म है। प्रासंगिकता और अंतर-दस्तावेज़ समानता दोनों की गणना आमतौर पर एम्बेडिंग वैक्टर के बीच कोसाइन समानता के रूप में की जाती है। स्कोरिंग फॉर्मूला है: एमएमआर = [लैम्ब्डा * सिम (डॉक्टर, क्वेरी) - (1 - लैम्ब्डा) * अधिकतम सिम (डॉक्टर, चयनित)] के शेष डॉक्स पर argmax। क्योंकि यह प्रत्येक दौर में बढ़ते चयनित सेट के विरुद्ध पुनर्मूल्यांकन करता है, यह क्रम-निर्भर है और n उम्मीदवारों से k चयनों के लिए लगभग O(k*n) समानता तुलना में चलता है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
अधिकतम सीमांत प्रासंगिकता का भविष्य
लैंगचेन और क्रोमा जैसे वेक्टर-डेटाबेस क्लाइंट में एमएमआर एक हल्का डिफ़ॉल्ट बना हुआ है, जहां इसे एक-लाइन पुनर्प्राप्ति मोड के रूप में पेश किया जाता है। भविष्य की प्रणालियाँ इसे तेजी से सीखी गई विविधता के उद्देश्यों, क्लस्टर-आधारित चयन और क्रॉस-एनकोडर रीरैंकर्स के साथ जोड़ती हैं जो नवीनता को कोसाइन दूरी की तुलना में अधिक शब्दार्थ रूप से आंकते हैं। जैसे-जैसे संदर्भ खिड़कियां बढ़ती हैं, जोर जगह बचाने से हटकर वास्तविक रूप से पूरक साक्ष्य तैयार करने पर केंद्रित हो जाता है, जिससे कच्ची क्षमता प्रचुर मात्रा में होने पर भी एमएमआर जैसे विविधता-जागरूक चयन को प्रासंगिक रखा जा सके।
वास्तविक विश्व कार्यान्वयन
आरएजी चैटबॉट एमएमआर पुनर्प्राप्ति का उपयोग करता है इसलिए इसके शीर्ष 5 भाग एक ही पैराग्राफ के पांच पैराग्राफ के बजाय पॉलिसी के विभिन्न पहलुओं को कवर करते हैं।
एक शोध सारांशीकरण उपकरण उन अनुच्छेदों को चुनने के लिए एमएमआर लागू करता है जो ओवरलैप को कम करते हैं, एक व्यापक, कम दोहराव वाला सारांश तैयार करते हैं।
एक समाचार एग्रीगेटर एक वायर स्टोरी को दोहराने वाले दस आउटलेट के बजाय किसी घटना के विभिन्न कवरेज दिखाने के लिए एमएमआर के साथ लेखों को रैंक करता है।
लैंगचेन का वेक्टर स्टोर रिट्रीवर लौटाए गए दस्तावेज़ों में विविधता लाने के लिए search_type='mmr' को Fetch_k और Lambda_mult के साथ उजागर करता है।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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
अगली गाइड
गैर-अधिकतम दमन
अक्सर पूछे जाने वाले प्रश्नों
What is Maximum Marginal Relevance?
अधिकतम सीमांत प्रासंगिकता (एमएमआर) एक पुन: रैंकिंग पद्धति है जो यह संतुलित करती है कि कोई परिणाम कितना प्रासंगिक है और यह पहले से चुने गए परिणामों से कितना अलग है। यह मायने रखता है क्योंकि शुद्ध प्रासंगिकता रैंकिंग अक्सर लगभग डुप्लिकेट मार्ग लौटाती है जो आरएजी संदर्भ विंडो में जगह बर्बाद करती है।
एमएमआर को किस प्राथमिक समस्या को हल करने के लिए डिज़ाइन किया गया है?
एमएमआर नवीनता को पुरस्कृत करके कई परिणामों को सामने लाने के लिए प्रासंगिक-केवल रैंकिंग की प्रवृत्ति को संबोधित करता है जो अनिवार्य रूप से एक ही बात कहते हैं।
एमएमआर फॉर्मूला में, 1 के करीब लैम्ब्डा मान किस पर जोर देता है?
लैम्ब्डा प्रासंगिकता को महत्व देता है; 1 के पास प्रासंगिकता शब्द हावी है, जबकि 0 के पास विविधता (कम-समानता) शब्द हावी है।
एमएमआर अपने परिणाम कैसे चुनता है?
एमएमआर एक लालची पुनरावृत्त विधि है: प्रत्येक चयन प्रासंगिकता को अधिकतम करता है जिसमें पहले से चुने गए आइटम की अधिकतम समानता होती है।
टेक्स्ट एम्बेडिंग के लिए एमएमआर के अंदर किस समानता माप का सबसे अधिक उपयोग किया जाता है?
एम्बेडिंग वैक्टर के बीच कोसाइन समानता एमएमआर में क्वेरी प्रासंगिकता और अंतर-दस्तावेज़ तुलना दोनों के लिए मानक विकल्प है।
एमएमआर पुनर्प्राप्ति-संवर्धित पीढ़ी (आरएजी) में विशेष रूप से उपयोगी क्यों है?
पुनर्प्राप्त खंडों में विविधता लाकर, एमएमआर मॉडल को एक ही तथ्य को दोहराने के बजाय विभिन्न साक्ष्य देखने में मदद करता है, जिससे कवरेज में सुधार होता है।