Prezentare generală
Relevanța marginală maximă (MMR) este o metodă de re-clasificare care echilibrează cât de relevant este un rezultat față de cât de diferit este de rezultatele deja alese. Contează deoarece clasarea pură a relevanței returnează adesea pasaje aproape duplicate care pierd spațiu într-o fereastră de context RAG.
Relevanța marginală maximă face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară.
Deep Dive
Atunci când un sistem de căutare punctează documentele doar în funcție de relevanța pentru o interogare, rezultatele de top sunt adesea redundante - cinci pasaje spun toate același lucru. MMR, introdus de Carbonell și Goldstein în 1998, rezolvă acest lucru prin selectarea rezultatelor pe rând. La fiecare pas, alege candidatul care maximizează un amestec ponderat: lambda înmulțit cu relevanța sa pentru interogare, minus (1 minus lambda) ori mai mult asemănarea sa maximă cu orice lucru deja selectat. O lambda aproape de 1 favorizează relevanța pură; aproape de 0 favorizează diversitatea. În generarea de recuperare sporită, MMR este popular pentru preluarea unui set variat de bucăți, astfel încât modelul de limbaj vede dovezi complementare mai degrabă decât același fapt repetat, îmbunătățind acoperirea fără a mări contextul.
Perspectivă tehnică
MMR este un algoritm lacom, iterativ. Atât relevanța, cât și similitudinea între documente sunt de obicei calculate ca asemănare cosinus între vectorii de încorporare. Formula de punctare este: MMR = argmax peste documentele rămase din [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, selected) ]. Deoarece se reevaluează în funcție de setul selectat în creștere în fiecare rundă, este dependent de ordine și rulează în comparații de similaritate aproximativ O(k*n) pentru k alegeri din n candidați.
Stăpânirea relevanței marginale maxime
Relevanța marginală maximă (MMR) este o metodă de re-clasificare care echilibrează cât de relevant este un rezultat față de cât de diferit este de rezultatele deja alese. Contează deoarece clasarea pură a relevanței returnează adesea pasaje aproape duplicate care pierd spațiu într-o fereastră de context RAG. Relevanța marginală maximă face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară. Pentru a construi o înțelegere profundă, tratați Relevanța marginală maximă ca un model de operare, nu o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care utilizează Maximum Marginal Relevance proiectează solicită, regăsire și revizuire bucle ca un singur sistem de comunicare integrat. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În același timp, faptele halucinate pot intra în liniște în rapoarte, fluxuri de suport sau rezultate ale cercetării. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Extinde accesul în diferite limbi și stiluri de comunicare.
Extinde accesul în diferite limbi și stiluri de comunicare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Un chatbot RAG folosește recuperarea MMR, astfel încât primele 5 părți ale sale acoperă diferite aspecte ale unei politici în loc de cinci parafraze ale aceluiași paragraf.
Un instrument de rezumat al cercetării aplică MMR pentru a alege pasaje care minimizează suprapunerea, producând un rezumat mai larg, mai puțin repetitiv.
Un agregator de știri clasifică articolele cu MMR pentru a arăta o acoperire variată a unui eveniment, mai degrabă decât zece posturi care repetă o poveste.
Retriever-ul de magazin vector al LangChain expune search_type='mmr' cu un fetch_k și lambda_mult pentru a diversifica documentele returnate.
Modele de implementare
Relevanță marginală maximă în practică
Un chatbot RAG folosește recuperarea MMR, astfel încât primele 5 părți ale sale acoperă diferite aspecte ale unei politici în loc de cinci parafraze ale aceluiași paragraf.
Un chatbot RAG folosește recuperarea MMR, astfel încât primele 5 părți ale sale acoperă diferite aspecte ale unei politici în loc de cinci parafraze ale aceluiași paragraf. Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Relevanță marginală maximă în practică
Un instrument de rezumat al cercetării aplică MMR pentru a alege pasaje care minimizează suprapunerea, producând un rezumat mai larg, mai puțin repetitiv.
Un instrument de rezumat al cercetării aplică MMR pentru a alege pasaje care minimizează suprapunerea, producând un rezumat mai larg, mai puțin repetitiv. Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Relevanță marginală maximă în practică
Un agregator de știri clasifică articolele cu MMR pentru a arăta o acoperire variată a unui eveniment, mai degrabă decât zece posturi care repetă o poveste.
Un agregator de știri clasifică articolele cu MMR pentru a arăta o acoperire variată a unui eveniment, mai degrabă decât zece posturi care repetă o singură poveste.
Relevanță marginală maximă în practică
Retriever-ul de magazin vector al LangChain expune search_type='mmr' cu un fetch_k și lambda_mult pentru a diversifica documentele returnate.
Retriever-ul de magazin vector al LangChain expune search_type='mmr' cu un fetch_k și lambda_mult pentru a diversifica documentele returnate.
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Păstrați un punct de control uman pentru rezultate cu mize mari. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.