Panoramica
BM25 è la classica funzione di classificazione basata su parole chiave che assegna un punteggio ai documenti in base alla frequenza con cui compaiono i termini della query, adattato alla rarità dei termini e alla lunghezza del documento. Vecchio di decenni, rimane una base di ricerca straordinariamente forte e onnipresente.
BM25 e Lexical Retrieval fanno parte dello stack di intelligenza artificiale del linguaggio utilizzato per leggere, generare, classificare e trasformare testo e parlato su larga scala.
Immersione profonda
BM25 (Best Matching 25) è una funzione di classificazione basata sul metodo probabilistico Okapi degli anni '90. Per ogni termine di query combina tre segnali: frequenza del termine (quanto spesso la parola appare in un documento, con rendimenti decrescenti controllati da un parametro k1), frequenza inversa del documento (le parole più rare nella raccolta contano di più) e normalizzazione della lunghezza del documento (parametro b, quindi i documenti lunghi non sono ingiustamente favoriti). Somma questi punteggi per trimestre e ottieni il rango del documento. Non necessita di formazione e funziona incredibilmente velocemente tramite indici invertiti, motivo per cui i motori di ricerca come Elasticsearch e Lucene lo utilizzano per impostazione predefinita. Nonostante l’aumento del recupero neurale, BM25 continua a vincere o a pareggiare in molti benchmark, soprattutto per termini rari, identificatori esatti e query fuori dominio.
Approfondimento tecnico
La componente frequenza-termine del BM25 si satura: il parametro k1 limita la quantità di parole ripetute che aumentano un punteggio, quindi un termine che appare 50 volte non è 50 volte più rilevante di una volta. Il parametro b unisce la frequenza grezza e quella normalizzata in lunghezza. L'IDF riduce il peso delle parole comuni come "il" e premia quelle distintive. Poiché opera su un indice invertito che associa ogni parola al suo elenco di documenti, il punteggio tocca solo i documenti contenenti termini di query, rendendolo estremamente efficiente.
Padroneggiare BM25 e recupero lessicale
BM25 è la classica funzione di classificazione basata su parole chiave che assegna un punteggio ai documenti in base alla frequenza con cui compaiono i termini della query, adattato alla rarità dei termini e alla lunghezza del documento. Vecchio di decenni, rimane una base di ricerca straordinariamente forte e onnipresente. BM25 e Lexical Retrieval fanno parte dello stack di intelligenza artificiale del linguaggio utilizzato per leggere, generare, classificare e trasformare testo e parlato su larga scala. Per creare una comprensione profonda, tratta BM25 e Lexical Retrieval come un modello operativo, non una singola caratteristica: definisci i risultati desiderati, chiarisci le ipotesi e separa ciò che il sistema può fare in modo affidabile da ciò che richiede ancora il giudizio di esperti.
In pratica, team forti che utilizzano BM25 e Lexical Retrieval progettano cicli di prompt, recupero e revisione come un unico sistema di comunicazione integrato. Documentano criteri di successo espliciti, effettuano test rispetto a dati e flussi di lavoro realistici e ripetono in base a modelli di fallimento osservati piuttosto che a successi benchmark una tantum. È qui che la comprensione teorica si trasforma in capacità duratura in termini di prodotto, politica e operazioni.
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza. Allo stesso tempo, i fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca. L’approccio più resiliente consiste nel combinare la velocità di sperimentazione con la disciplina della governance: eseguire progetti pilota, acquisire prove, pubblicare registri decisionali e aggiornare continuamente le misure di salvaguardia man mano che il comportamento del modello, le aspettative degli utenti e i requisiti normativi evolvono.
Impatto strategico
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza.
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza. Nelle implementazioni di alta qualità, ciò si traduce in regole operative misurabili, limiti di proprietà e rituali di revisione ricorrenti in modo che i team possano aumentare la fiducia invece di aumentare l’ambiguità.
Espande l'accesso attraverso lingue e stili di comunicazione.
Espande l'accesso attraverso lingue e stili di comunicazione. Nelle implementazioni di alta qualità, ciò si traduce in regole operative misurabili, limiti di proprietà e rituali di revisione ricorrenti in modo che i team possano aumentare la fiducia invece di aumentare l’ambiguità.
I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione.
I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione. Nelle implementazioni di alta qualità, ciò si traduce in regole operative misurabili, limiti di proprietà e rituali di revisione ricorrenti in modo che i team possano aumentare la fiducia invece di aumentare l’ambiguità.
Implementazione nel mondo reale
Classificazione di pertinenza predefinita in Elasticsearch, OpenSearch e Apache Lucene/Solr
Recupero del candidato nella prima fase che alimenta un riclassificazione neurale più lenta nella ricerca in due fasi
Ricerca di codici e registri in cui gli identificatori esatti e i codici di errore devono corrispondere esattamente
Estrarre esempi negativi duri per addestrare retriever densi come DPR
Modelli di implementazione
BM25 e recupero lessicale in pratica
Classificazione di pertinenza predefinita in Elasticsearch, OpenSearch e Apache Lucene/Solr.
Classificazione di pertinenza predefinita in Elasticsearch, OpenSearch e Apache Lucene/Solr I team in genere ottengono risultati migliori quando definiscono in anticipo le soglie di qualità, mantengono un percorso di escalation umano per i casi limite e monitorano sia i guadagni di produttività che i costi di errore nel tempo.
BM25 e recupero lessicale in pratica
Recupero del candidato nella prima fase che alimenta un riclassificazione neurale più lenta nella ricerca in due fasi.
Recupero dei candidati nella prima fase che alimenta un riranker neurale più lento nella ricerca a due fasi I team di solito ottengono risultati migliori quando definiscono in anticipo le soglie di qualità, mantengono un percorso di escalation umano per i casi limite e monitorano sia i guadagni di produttività che i costi di errore nel tempo.
BM25 e recupero lessicale in pratica
Ricerca di codici e registri in cui gli identificatori esatti e i codici di errore devono corrispondere esattamente.
Ricerca di codici e log in cui identificatori esatti e codici di errore devono corrispondere esattamente I team in genere ottengono risultati migliori quando definiscono in anticipo le soglie di qualità, mantengono un percorso di escalation umano per i casi limite e monitorano sia i guadagni di produttività che i costi di errore nel tempo.
BM25 e recupero lessicale in pratica
Estrarre esempi negativi duri per addestrare retriever densi come DPR.
L’estrazione di esempi negativi complessi per addestrare densi retriever come i team DPR di solito ottiene risultati migliori quando definiscono in anticipo le soglie di qualità, mantengono un percorso di escalation umano per i casi limite e monitorano sia i guadagni di produttività che i costi di errore nel tempo.
Rischi e guardrail
Fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca.
La sensibilità tempestiva può creare risultati incoerenti tra richieste simili.
I dati di testo sensibili potrebbero essere esposti se i controlli di accesso sono deboli.
Tabella di marcia per l'implementazione
Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione.
Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione. Tratta ogni passaggio come una prova: se i criteri non vengono soddisfatti, metti in pausa l'implementazione, colma il divario e solo allora espandi l'utilizzo.
Risposte concrete con fonti attendibili ogni volta che la precisione è importante.
Risposte concrete con fonti attendibili ogni volta che la precisione è importante. Tratta ogni passaggio come una prova: se i criteri non vengono soddisfatti, metti in pausa l'implementazione, colma il divario e solo allora espandi l'utilizzo.
Mantenere un checkpoint di revisione umana per i risultati ad alto rischio.
Mantenere un checkpoint di revisione umana per i risultati ad alto rischio. Tratta ogni passaggio come una prova: se i criteri non vengono soddisfatti, metti in pausa l'implementazione, colma il divario e solo allora espandi l'utilizzo.
Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro.
Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro. Tratta ogni passaggio come una prova: se i criteri non vengono soddisfatti, metti in pausa l'implementazione, colma il divario e solo allora espandi l'utilizzo.