Áttekintés
A BM25 a klasszikus kulcsszó-alapú rangsoroló funkció, amely a lekérdezési kifejezések megjelenési gyakorisága alapján pontozza a dokumentumokat, a kifejezések ritkaságához és a dokumentum hosszához igazítva. Évtizedek óta továbbra is figyelemreméltóan erős és mindenütt jelen lévő kiindulási pont a kereséshez.
A BM25 és a Lexical Retrieval a szöveg és a beszéd olvasására, generálására, osztályozására és átalakítására használt nyelvi AI-verem része.
Mély merülés
A BM25 (Best Matching 25) egy szavakból álló rangsoroló függvény az 1990-es évek valószínűségi Okapi keretrendszeréből. Minden lekérdezési kifejezéshez három jelet kombinál: kifejezés gyakorisága (milyen gyakran jelenik meg a szó egy dokumentumban, a k1 paraméter által szabályozott csökkenő hozamokkal), inverz dokumentumgyakoriság (a gyűjteményben a ritkább szavak többet számítanak) és a dokumentum hosszának normalizálása (b paraméter, így a hosszú dokumentumok nem részesülnek méltánytalan előnyben). Adja össze ezeket a periódusonkénti pontszámokat, és megkapja a dokumentum rangját. Nem igényel képzést, és rendkívül gyorsan fut fordított indexeken keresztül, ezért az olyan keresőmotorok, mint az Elasticsearch és a Lucene alapértelmezés szerint használják. A neurális visszakeresés térnyerése ellenére a BM25 továbbra is nyer vagy döntetlen sok benchmarkon, különösen a ritka kifejezések, a pontos azonosítók és a domainen kívüli lekérdezések esetében.
Technikai betekintés
A BM25 kifejezés-gyakoriság komponense telítődik: a k1 paraméter korlátozza, hogy az ismétlődő szavak mennyivel növelik a pontszámot, így az 50-szer megjelenő kifejezés nem 50-szer relevánsabb, mint egyszer. A b paraméter keveri a nyers és a hossz-normalizált frekvenciát. Az IDF lecsökkenti az olyan gyakori szavakat, mint a „the”, és megjutalmazza a megkülönböztető szavakat. Mivel fordított indexen működik, amely minden szót leképez a dokumentumlistájára, a pontozás csak a lekérdezési kifejezéseket tartalmazó dokumentumokat érinti, így rendkívül hatékony.
A BM25 és a Lexical Retrieval elsajátítása
A BM25 a klasszikus kulcsszó-alapú rangsoroló funkció, amely a lekérdezési kifejezések megjelenési gyakorisága alapján pontozza a dokumentumokat, a kifejezések ritkaságához és a dokumentum hosszához igazítva. Évtizedek óta továbbra is figyelemreméltóan erős és mindenütt jelen lévő kiindulási pont a kereséshez. A BM25 és a Lexical Retrieval a szöveg és a beszéd olvasására, generálására, osztályozására és átalakítására használt nyelvi AI-verem része. A mélyebb megértés érdekében a BM25-öt és a Lexical Retrieval-t működési modellként kell kezelni, nem pedig egyetlen jellemzőként: határozza meg a kívánt eredményeket, tisztázza a feltételezéseket, és válassza szét azt, amit a rendszer megbízhatóan képes elvégezni, attól, ami még szakértői megítélést igényel.
A gyakorlatban a BM25-öt és a Lexical Retrievalt használó erős csapatok egyetlen integrált kommunikációs rendszerként tervezik a felszólításokat, a visszakereséseket és az áttekintési ciklusokat. Dokumentálják az explicit sikerkritériumokat, tesztelik a valósághű adatokat és munkafolyamatokat, és a megfigyelt hibaminták alapján iterálnak, nem pedig egyszeri benchmark győzelmek alapján. Ez az a hely, ahol az elméleti megértés tartós képességgé válik a termék, a politika és a műveletek között.
A nyelvi munkafolyamatok gyorsabban haladhatnak a következetesség feláldozása nélkül. Ugyanakkor a hallucinált tények csendben bekerülhetnek a jelentésekbe, a támogatási folyamatokba vagy a kutatási eredményekbe. A legrugalmasabb megközelítés a kísérleti sebesség és az irányítási fegyelem kombinálása: kísérleti kísérletek futtatása, bizonyítékok rögzítése, döntési naplók közzététele és a biztosítékok folyamatos frissítése a modell viselkedésének, a felhasználói elvárásoknak és a szabályozási követelményeknek megfelelően.
Stratégiai hatás
A nyelvi munkafolyamatok gyorsabban haladhatnak a következetesség feláldozása nélkül.
A nyelvi munkafolyamatok gyorsabban haladhatnak a következetesség feláldozása nélkül. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Kibővíti a hozzáférést a nyelvek és a kommunikációs stílusok között.
Kibővíti a hozzáférést a nyelvek és a kommunikációs stílusok között. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A csapatok több időt tölthetnek az ítélkezéssel, míg az automatizálás kezeli az ismétlést.
A csapatok több időt tölthetnek az ítélkezéssel, míg az automatizálás kezeli az ismétlést. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Valós megvalósítás
Alapértelmezett relevanciarangsor az Elasticsearch, az OpenSearch és az Apache Lucene/Solr szolgáltatásokban
Első fokozatú jelöltek visszakeresése, amely egy lassabb idegi átsorolót táplál a kétlépcsős keresés során
Kód- és naplókeresés, ahol a pontos azonosítóknak és hibakódoknak pontosan meg kell egyeznie
Kemény negatív példák bányászata a sűrű retrieverek, például a DPR képzésére
Megvalósítási minták
BM25 és Lexical Retrieval a gyakorlatban
Alapértelmezett relevanciarangsor az Elasticsearch, az OpenSearch és az Apache Lucene/Solr szolgáltatásokban.
Az Elasticsearch, az OpenSearch és az Apache Lucene/Solr Teams alapértelmezett relevancia-rangsorolása általában jobb eredményeket ér el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat az éles eseteknél, és nyomon követik a termelékenységnövekedést és a hibaköltségeket az idő múlásával.
BM25 és Lexical Retrieval a gyakorlatban
Első fokozatú jelöltek lekérése, amely egy lassabb idegi átsorolót táplál a kétlépcsős keresés során.
Első szakaszban a jelöltek lekérése, amely egy lassabb idegi újrarangsorolót táplál a kétlépcsős keresés során A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat az éles esetekben, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
BM25 és Lexical Retrieval a gyakorlatban
Kód- és naplókeresés, ahol a pontos azonosítóknak és hibakódoknak pontosan meg kell egyeznie.
Kód- és naplókeresés, ahol a pontos azonosítóknak és hibakódoknak pontosan meg kell egyezniük A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs útvonalat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
BM25 és Lexical Retrieval a gyakorlatban
Kemény negatív példák bányászata a sűrű retrieverek, például a DPR képzésére.
Kemény negatív példák bányászása a sűrű retrieverek képzésére, mint például a DPR Teams, általában jobb eredményeket ér el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat a szélső eseteknél, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
Kockázatok és védőkorlátok
A hallucinált tények csendben bekerülhetnek a jelentésekbe, a támogatási folyamatokba vagy a kutatási eredményekbe.
Az azonnali érzékenység inkonzisztens eredményeket eredményezhet a hasonló kérések között.
Ha a hozzáférés-szabályozás gyenge, az érzékeny szöveges adatok megjelenhetnek.
Végrehajtási ütemterv
A kiadás előtt határozza meg a kimeneti formátumot, hangszínt és minőségi szabványokat.
A kiadás előtt határozza meg a kimeneti formátumot, hangszínt és minőségi szabványokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Földelje a válaszokat megbízható forrásokból, amikor a pontosság számít.
Földelje a válaszokat megbízható forrásokból, amikor a pontosság számít. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Tartson emberi ellenőrzési pontot a nagy tétű kimenetekhez.
Tartson emberi ellenőrzési pontot a nagy tétű kimenetekhez. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Kövesse nyomon a meghibásodási mintákat, és rendszeresen tanítsa át az utasításokat vagy a munkafolyamatokat.
Kövesse nyomon a meghibásodási mintákat, és rendszeresen tanítsa át az utasításokat vagy a munkafolyamatokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.