SelanjutnyaPanduan berikutnya
Penindasan Non-Maksimum
AI visual
PANDUAN AI Bahasa
Relevansi Marginal Maksimum
Relevansi Marginal Maksimum (MMR) adalah metode pemeringkatan ulang yang menyeimbangkan seberapa relevan suatu hasil dengan perbedaannya dengan hasil yang sudah dipilih.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Ini penting karena peringkat relevansi murni sering mengembalikan bacaan yang hampir duplikat yang membuang ruang dalam jendela konteks RAG.
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.
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.
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.
Mempraktikkannya
Mengapa itu penting
- Kecepatan dan skala. Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
- Akses dan jangkauan. Ini memperluas akses lintas bahasa dan gaya komunikasi.
- Keputusan yang lebih jelas. Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Hati-hati
- 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.
Langkah selanjutnya
- 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
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Maximum Marginal Relevance quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Relevansi Marginal Maksimum?
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.
How can an embedding-based MMR implementation measure query relevance and document redundancy?
The general algorithm permits suitable similarity functions; cosine is a common choice for vector representations.
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.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini