하이브리드 검색 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 하이브리드 검색은 일반적으로 어떤 두 가지 검색 접근 방식을 결합합니까?
   • 희소 키워드 검색(예: BM25) 및 밀집 벡터 검색
   • 답변에 대해 투표하는 두 개의 서로 다른 대규모 언어 모델
   • SQL 쿼리 및 전체 텍스트 인덱스만
   • 이미지 검색 및 오디오 검색
2. 결과를 병합하는 데 일반적으로 RRF(Reciprocal Rank Fusion)가 사용되는 이유는 무엇입니까?
   • 각 쿼리에 대해 새로운 신경망을 훈련합니다.
   • 척도 불일치를 방지하면서 원시 점수 대신 순위 위치별로 문서를 결합합니다.
   • 두 목록 모두에 나타나는 모든 문서를 삭제합니다.
   • 각 검색기의 단일 상위 결과만 유지합니다.
3. 하이브리드 검색의 희소(키워드) 구성 요소를 가장 선호하는 시나리오는 무엇입니까?
   • 쿼리를 다른 단어로 바꾸어 표현한 문서 찾기
   • 문장의 감정적 어조 이해하기
   • 문자 그대로 나타나야 하는 정확한 부품 번호 또는 오류 코드 일치
   • 쿼리를 다른 언어로 번역
4. 밀집 벡터 검색만 사용할 때의 주요 약점은 무엇입니까?
   • 동의어나 의역을 이해할 수 없습니다.
   • 이미지에서만 작동합니다.
   • 임베딩이 전혀 필요하지 않습니다.
   • 특정 코드나 성과 같은 아주 희귀한 토큰을 놓칠 수 있습니다.
5. SPLADE와 같은 학습된 희소 모델의 기능은 무엇인가요?
   • 희소 아이디어와 조밀 아이디어를 혼합하여 신경망을 사용하여 해석 가능한 용어 가중치를 생성합니다.
   • 검색에서 일치하는 모든 키워드를 제거합니다.
   • 이미지를 벡터로만 저장합니다.
   • 검색의 필요성을 대체합니다.
6. What can combining lexical and dense retrieval provide to a RAG system?
   • A guarantee that every generated statement is true
   • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
   • A replacement for grounding sources
   • An automatic legal review of generated answers
7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
   • They always ran faster and used less compute than BM25
   • They made retrieval independent of the corpus
   • They often achieved stronger zero-shot performance but at higher computational cost
   • They guaranteed a correct generated answer
8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
   • It always beats every neural retriever
   • It cannot retrieve exact terms
   • It is a dense-vector model
   • It remains a robust baseline across diverse datasets