Relevansi Marginal Maksimum
Relevansi Marginal Maksimum (MMR) adalah metode pemeringkatan ulang yang menyeimbangkan seberapa relevan suatu hasil dengan perbedaannya dengan hasil yang sudah dipilih.
Ikhtisar
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Menyelam Lebih Dalam
Ketika sistem pencarian menilai dokumen hanya berdasarkan relevansinya dengan suatu kueri, hasil teratas sering kali mubazir — lima bagian semuanya mengatakan hal yang sama. MMR, yang diperkenalkan oleh Carbonell dan Goldstein pada tahun 1998, memperbaikinya dengan memilih hasil satu per satu. Pada setiap langkah, ia memilih kandidat yang memaksimalkan campuran tertimbang: lambda dikalikan relevansinya dengan kueri, dikurangi (1 dikurangi lambda) dikalikan kemiripan maksimumnya dengan apa pun yang sudah dipilih. Lambda dekat 1 mendukung relevansi murni; mendekati 0 itu mendukung keragaman. Dalam generasi retrieval-augmented, MMR populer untuk mengambil serangkaian potongan yang bervariasi sehingga model bahasanya melihat bukti-bukti yang saling melengkapi dibandingkan fakta yang sama yang diulang-ulang, sehingga meningkatkan cakupan tanpa memperluas konteksnya.
Wawasan Teknis
MMR adalah algoritma yang serakah dan berulang. Relevansi dan kesamaan antar dokumen biasanya dihitung sebagai kesamaan kosinus antara vektor yang disematkan. Rumus penilaiannya adalah: MMR = argmax atas sisa dokumen [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc,select) ]. Karena melakukan evaluasi ulang terhadap kumpulan terpilih yang terus bertambah di setiap putaran, hal ini bergantung pada urutan dan berjalan dalam perbandingan kesamaan kira-kira O(k*n) untuk k pilihan dari n kandidat.
Dampak Strategis
Kecepatan dan skala
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Access and reach
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Clearer decisions
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Masa Depan Relevansi Marginal Maksimum
MMR tetap menjadi default ringan di klien basis data vektor seperti LangChain dan Chroma, yang ditawarkan sebagai mode pengambilan satu baris. Sistem masa depan semakin memasangkannya dengan tujuan keragaman yang dipelajari, seleksi berbasis klaster, dan pemeringkatan lintas encoder yang menilai hal baru secara lebih semantik daripada jarak kosinus. Seiring dengan berkembangnya jendela konteks, penekanannya beralih dari menghemat ruang ke mengumpulkan bukti yang benar-benar saling melengkapi, menjaga seleksi yang sadar akan keberagaman seperti MMR tetap relevan bahkan ketika kapasitas mentah berlimpah.
Implementasi Dunia Nyata
Chatbot RAG menggunakan pengambilan MMR sehingga 5 bagian teratasnya mencakup berbagai aspek kebijakan, bukan lima parafrase dari paragraf yang sama.
Alat peringkasan penelitian menerapkan MMR untuk memilih bagian yang meminimalkan tumpang tindih, sehingga menghasilkan ringkasan yang lebih luas dan tidak berulang.
Agregator berita memeringkat artikel dengan MMR untuk menunjukkan liputan yang bervariasi dari suatu peristiwa, bukan sepuluh outlet yang mengulangi satu berita kawat.
Pengambil penyimpanan vektor LangChain mengekspos search_type='mmr' dengan mengambil_k dan lambda_mult untuk mendiversifikasi dokumen yang dikembalikan.
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Terus Menjelajah
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
Next guide
Penindasan Non-Maksimum
Pertanyaan yang sering diajukan
What is Maximum Marginal Relevance?
Relevansi Marginal Maksimum (MMR) adalah metode pemeringkatan ulang yang menyeimbangkan seberapa relevan suatu hasil dengan perbedaannya dengan hasil yang sudah dipilih. Hal ini penting karena peringkat relevansi murni sering kali menghasilkan bagian yang hampir duplikat sehingga membuang-buang ruang di jendela konteks RAG.
Apa masalah utama yang dirancang untuk dipecahkan oleh MMR?
MMR mengatasi kecenderungan pemeringkatan yang hanya relevansi untuk memunculkan banyak hasil yang pada dasarnya menyatakan hal yang sama, dengan memberikan penghargaan pada hal-hal baru.
Dalam rumus MMR, apa yang ditekankan oleh nilai lambda yang mendekati 1?
Lambda menimbang relevansi; mendekati 1 istilah relevansi mendominasi, sedangkan mendekati 0 istilah keragaman (kesamaan rendah) mendominasi.
Bagaimana MMR memilih hasilnya?
MMR adalah metode iteratif yang serakah: setiap pilihan memaksimalkan relevansi dikurangi kesamaan maksimum dengan item yang sudah dipilih.
Ukuran kesamaan apa yang paling umum digunakan di dalam MMR untuk penyematan teks?
Kesamaan kosinus antara vektor penyematan adalah pilihan standar untuk relevansi kueri dan perbandingan antar dokumen di MMR.
Mengapa MMR sangat berguna dalam retrieval-augmented generation (RAG)?
Dengan mendiversifikasi potongan yang diambil, MMR membantu model melihat beragam bukti daripada mengulangi fakta yang sama, sehingga meningkatkan cakupan.