Maksymalne znaczenie marginalne
Maksymalna istotność marginalna (MMR) to metoda ponownego rankingu, która porównuje stopień trafności wyniku z tym, jak różni się on od wyników już wybranych.
Przegląd
Ma to znaczenie, ponieważ czysta ranking trafności często zwraca niemal zduplikowane fragmenty, które marnują miejsce w oknie kontekstu RAG.
Głębokie nurkowanie
Kiedy system wyszukiwania ocenia dokumenty wyłącznie na podstawie związku z zapytaniem, najlepsze wyniki są często zbędne — pięć fragmentów mówi to samo. MMR, wprowadzony przez Carbonella i Goldsteina w 1998 r., rozwiązuje ten problem poprzez wybieranie wyników pojedynczo. Na każdym kroku wybiera kandydata, który maksymalizuje ważoną mieszankę: lambda razy jego związek z zapytaniem, minus (1 minus lambda) razy jego maksymalne podobieństwo do wszystkiego, co zostało już wybrane. Lambda bliska 1 faworyzuje czystą istotność; w pobliżu 0 sprzyja różnorodności. W przypadku generowania wspomaganego wyszukiwaniem metoda MMR jest popularna w przypadku pobierania zróżnicowanego zestawu fragmentów, dzięki czemu w modelu językowym pojawiają się dowody uzupełniające, a nie powtarzany ten sam fakt, co poprawia zasięg bez powiększania kontekstu.
Wgląd techniczny
MMR to zachłanny, iteracyjny algorytm. Zarówno trafność, jak i podobieństwo między dokumentami są zwykle obliczane jako podobieństwo cosinus między wektorami osadzającymi. Formuła punktacji jest następująca: MMR = argmax nad pozostałymi dokumentami [ lambda * sim(doc, zapytanie) - (1 - lambda) * max sim(doc, wybrane) ]. Ponieważ w każdej rundzie dokonuje ponownej oceny względem rosnącego wybranego zbioru, jest zależny od kolejności i przeprowadza mniej więcej O(k*n) porównań podobieństwa dla k wyborów od n kandydatów.
Wpływ strategiczny
Szybkość i skala
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności.
Dostęp i zasięg
Rozszerza dostęp w różnych językach i stylach komunikacji.
Jaśniejsze decyzje
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością.
Przyszłość maksymalnego znaczenia marginalnego
MMR pozostaje lekkim rozwiązaniem domyślnym w klientach wektorowych baz danych, takich jak LangChain i Chroma, gdzie jest oferowany jako tryb pobierania jednowierszowego. Przyszłe systemy w coraz większym stopniu łączą je z wyuczonymi celami różnorodności, selekcją opartą na klastrach i narzędziami do zmiany rankingu między koderami, które oceniają nowość bardziej semantycznie niż odległość cosinus. W miarę powiększania się okien kontekstowych nacisk przesuwa się z oszczędzania miejsca na gromadzenie naprawdę uzupełniających dowodów, dzięki czemu selekcja uwzględniająca różnorodność, taka jak MMR, będzie istotna nawet wtedy, gdy zasoby pierwotne są duże.
Implementacja w świecie rzeczywistym
Chatbot RAG korzysta z wyszukiwania MMR, więc jego 5 najważniejszych fragmentów obejmuje różne aspekty polityki zamiast pięciu parafraz tego samego akapitu.
Narzędzie do podsumowania badań stosuje MMR do wybierania fragmentów, które minimalizują nakładanie się, tworząc szersze, mniej powtarzalne podsumowanie.
Agregator wiadomości szereguje artykuły za pomocą MMR, aby pokazać zróżnicowane relacje z wydarzenia, a nie dziesięć serwisów powtarzających jeden artykuł.
Narzędzie do wyszukiwania wektorów składnicy LangChain udostępnia search_type='mmr' z fetch_k i lambda_mult w celu dywersyfikacji zwracanych dokumentów.
Zagrożenia i poręcze
Halucynacyjne fakty mogą po cichu trafiać do raportów, strumieni wsparcia lub wyników badań.
Szybka czułość może spowodować niespójne wyniki w przypadku podobnych żądań.
Wrażliwe dane tekstowe mogą zostać ujawnione, jeśli kontrola dostępu jest słaba.
Plan wdrożenia
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy.
Odkrywaj dalej
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
Następny poradnik
Tłumienie inne niż maksymalne
Często zadawane pytania
Czym jest Maksymalna Marginalna Istotność?
Maksymalna istotność marginalna (MMR) to metoda ponownego rankingu, która porównuje stopień trafności wyniku z tym, jak różni się on od wyników już wybranych. Ma to znaczenie, ponieważ czysty ranking trafności często zwraca niemal zduplikowane fragmenty, które marnują miejsce w oknie kontekstowym RAG.
Jaki jest główny problem, który ma rozwiązać MMR?
MMR przeciwdziała tendencji rankingów opartych wyłącznie na trafności do ukazywania wielu wyników, które mówią zasadniczo to samo, poprzez nagradzanie nowości.
Co we wzorze MMR podkreśla wartość lambda bliska 1?
znaczenie wag lambda; w pobliżu 1 dominuje termin istotności, podczas gdy w pobliżu 0 dominuje termin różnorodności (niskie podobieństwo).
Jak MMR wybiera swoje wyniki?
MMR to zachłanna metoda iteracyjna: każdy wybór maksymalizuje trafność minus maksymalne podobieństwo do już wybranych przedmiotów.
Jaka miara podobieństwa jest najczęściej używana w MMR do osadzania tekstu?
Podobieństwo cosinusowe między wektorami osadzającymi jest standardowym wyborem zarówno w przypadku trafności zapytań, jak i porównywania między dokumentami w MMR.
Dlaczego MMR jest szczególnie przydatny w generowaniu wspomaganym odzyskiwaniu (RAG)?
Dywersyfikując odzyskane fragmenty, MMR pomaga modelowi dostrzec zróżnicowane dowody, a nie powtarzanie tego samego faktu, co poprawia zasięg.