Il prossimoProssima guida
Soppressione non massima
IA visiva
GUIDA ALL'AI linguistica
La massima rilevanza marginale (MMR) è un metodo di riclassificazione che bilancia la rilevanza di un risultato rispetto a quanto è diverso dai risultati già scelti.
Ascolta questa guidaNarrato dall'IA · ~2 min
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Quando un sistema di ricerca assegna un punteggio ai documenti esclusivamente in base alla pertinenza rispetto a una query, i primi risultati sono spesso ridondanti: cinque passaggi dicono tutti la stessa cosa. MMR, introdotto da Carbonell e Goldstein nel 1998, risolve questo problema selezionando i risultati uno alla volta. Ad ogni passaggio sceglie il candidato che massimizza una miscela ponderata: lambda moltiplica la sua rilevanza per la query, meno (1 meno lambda) moltiplica la sua massima somiglianza con qualsiasi cosa già selezionata. Un lambda vicino a 1 favorisce la pura pertinenza; vicino a 0 favorisce la diversità. Nella generazione aumentata con recupero, MMR è popolare per recuperare un insieme vario di blocchi in modo che il modello linguistico veda prove complementari piuttosto che lo stesso fatto ripetuto, migliorando la copertura senza ampliare il contesto.
Un chatbot RAG utilizza il recupero MMR in modo che i suoi primi 5 blocchi coprano diversi aspetti di una politica invece di cinque parafrasi dello stesso paragrafo.
Uno strumento di riepilogo della ricerca applica l'MMR per selezionare i passaggi che riducono al minimo le sovrapposizioni, producendo un riepilogo più ampio e meno ripetitivo.
Un aggregatore di notizie classifica gli articoli con MMR per mostrare una copertura varia di un evento piuttosto che dieci punti vendita che ripetono una storia via cavo.
Il vector store retriever di LangChain espone search_type='mmr' con fetch_k e lambda_mult per diversificare i documenti restituiti.
MMR rimane un'impostazione predefinita leggera nei client di database vettoriali come LangChain e Chroma, dove viene offerto come modalità di recupero su una riga. I sistemi futuri lo abbinano sempre più a obiettivi di diversità appresa, selezione basata su cluster e riclassificazione incrociata di codificatori che giudicano la novità in modo più semantico rispetto alla distanza coseno. Man mano che le finestre di contesto crescono, l’enfasi si sposta dal risparmio di spazio alla cura di prove autenticamente complementari, mantenendo rilevante la selezione consapevole della diversità come l’MMR anche quando la capacità grezza è abbondante.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La massima rilevanza marginale (MMR) è un metodo di riclassificazione che bilancia la rilevanza di un risultato rispetto a quanto è diverso dai risultati già scelti. È importante perché la classificazione per pura pertinenza spesso restituisce passaggi quasi duplicati che sprecano spazio in una finestra di contesto RAG.
L’MMR affronta la tendenza del ranking basato solo sulla pertinenza a far emergere molti risultati che dicono essenzialmente la stessa cosa, premiando la novità.
Lambda pondera la pertinenza; vicino a 1 domina il termine di rilevanza, mentre vicino a 0 domina il termine di diversità (bassa somiglianza).
L'MMR è un metodo iterativo avido: ogni scelta massimizza la pertinenza meno la somiglianza massima con gli elementi già scelti.
The general algorithm permits suitable similarity functions; cosine is a common choice for vector representations.
Diversificando i blocchi recuperati, l'MMR aiuta il modello a vedere prove diverse anziché ripetere lo stesso fatto, migliorando la copertura.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Soppressione non massima
IA visiva