Quiz dotyczący wyszukiwania hybrydowego

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jakie dwa podejścia do wyszukiwania zwykle łączy wyszukiwanie hybrydowe?
   • Rzadkie wyszukiwanie słów kluczowych (np. BM25) i gęste wyszukiwanie wektorów
   • Dwa różne duże modele językowe głosujące nad odpowiedziami
   • Tylko zapytania SQL i indeksy pełnotekstowe
   • Wyszukiwanie obrazu i wyszukiwanie dźwięku
2. Dlaczego do łączenia wyników powszechnie stosuje się funkcję Reciprocal Rank Fusion (RRF)?
   • Uczy nową sieć neuronową dla każdego zapytania
   • Łączy dokumenty według pozycji rankingowej zamiast surowych wyników, unikając niedopasowania skali
   • Usuwa każdy dokument pojawiający się na obu listach
   • Zachowuje tylko jeden najlepszy wynik od każdego retrievera
3. Który scenariusz najbardziej faworyzuje rzadki (słowo kluczowe) element wyszukiwania hybrydowego?
   • Znajdowanie dokumentów, które parafrazują zapytanie różnymi słowami
   • Zrozumienie emocjonalnego tonu zdania
   • Dopasowanie dokładnego numeru części lub kodu błędu, który musi występować dosłownie
   • Tłumaczenie zapytania na inny język
4. Jaka jest główna słabość samego gęstego wyszukiwania wektorowego?
   • Nie rozumie synonimów ani parafraz
   • Działa tylko na obrazach
   • W ogóle nie wymaga osadzania
   • Może brakować dokładnych rzadkich tokenów, takich jak określone kody lub nazwiska
5. Co robi wyuczony, rzadki model, taki jak SPLADE?
   • Tworzy interpretowalne wagi terminów za pomocą sieci neuronowej, łącząc rzadkie i gęste idee
   • Usuwa wszystkie dopasowania słów kluczowych z wyszukiwania
   • Przechowuje obrazy tylko jako wektory
   • Zastępuje potrzebę odzyskiwania
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