Upeo wa Umuhimu wa Pembezoni
Umuhimu wa Upeo wa Juu (MMR) ni mbinu ya kupanga upya ambayo husawazisha jinsi matokeo yanavyofaa dhidi ya jinsi yalivyo tofauti na matokeo yaliyochaguliwa tayari.
Muhtasari
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Dive ya kina
Mfumo wa utafutaji unapoweka alama kwenye hati kulingana na umuhimu wa hoja, matokeo ya juu mara nyingi hayana maana - vifungu vitano vyote vinasema kitu kimoja. MMR, iliyoanzishwa na Carbonell na Goldstein mwaka wa 1998, hurekebisha hili kwa kuchagua matokeo moja baada ya nyingine. Katika kila hatua huteua mgombeaji anayeongeza mseto wa uzani: lambda mara ya umuhimu wake kwa hoja, toa (1 minus lambda) mara ya ulinganifu wake wa juu zaidi na kitu chochote ambacho tayari kimechaguliwa. Lambda karibu na 1 inapendelea umuhimu safi; karibu 0 inapendelea utofauti. Katika kizazi cha urejeshaji-augmented, MMR ni maarufu kwa kuleta seti mbalimbali za vipande ili modeli ya lugha ione ushahidi wa ziada badala ya ukweli uleule unaorudiwa, kuboresha chanjo bila kupanua muktadha.
Ufahamu wa Kiufundi
MMR ni algorithm ya uchoyo, inayojirudia. Umuhimu na ulinganifu baina ya hati kwa kawaida hukokotwa kama ufanano wa cosine kati ya vivekta vya kupachika. Fomula ya bao ni: MMR = argmax juu ya hati zilizosalia za [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, selected) ]. Kwa sababu hutathmini upya dhidi ya seti inayokua iliyochaguliwa kila awamu, inategemea mpangilio na hutumia takriban ulinganisho wa O(k*n) wa ulinganifu wa k kutoka kwa watahiniwa n.
Athari za kimkakati
Kasi na kiwango
Mitiririko ya kazi ya lugha inaweza kusonga kwa kasi zaidi bila kuacha uthabiti.
Kufikia na kufikia
Inapanua ufikiaji katika lugha na mitindo ya mawasiliano.
Maamuzi ya wazi zaidi
Timu zinaweza kutumia muda mwingi kufanya uamuzi huku otomatiki ikishughulikia marudio.
Mustakabali wa Umuhimu wa Pembezoni wa Juu
MMR inasalia kuwa chaguo-msingi nyepesi katika viteja vya hifadhidata ya vekta kama LangChain na Chroma, ambapo inatolewa kama njia ya urejeshaji ya mstari mmoja. Mifumo ya siku zijazo inazidi kuioanisha na malengo tofauti yaliyojifunza, uteuzi kulingana na nguzo, na visimbaji upya vya usimbaji ambavyo hutathmini mambo mapya kimaana zaidi kuliko umbali wa cosine. Madirisha ya muktadha yanapokua, msisitizo hubadilika kutoka kuhifadhi nafasi hadi kudhibiti ushahidi kamilifu, kuweka uteuzi unaotambua utofauti kama MMR unafaa hata wakati uwezo mbichi ni mwingi.
Utekelezaji wa Ulimwengu Halisi
Gumzo la RAG hutumia urejeshaji wa MMR kwa hivyo sehemu zake tano kuu zinashughulikia vipengele tofauti vya sera badala ya vifungu vitano vya aya moja.
Zana ya muhtasari wa utafiti hutumika MMR kuchagua vifungu ambavyo vinapunguza mwingiliano, na kutoa muhtasari mpana, usiorudiwa tena.
Kijumlishi cha habari hupanga makala na MMR ili kuonyesha matukio mbalimbali badala ya maduka kumi yanayorudia hadithi moja ya waya.
Rejekta ya duka la vekta ya LangChain inafichua search_type='mmr' kwa fetch_k na lambda_mult ili kubadilisha hati zilizorejeshwa.
Hatari & Walinzi
Mambo ya ukweli yanaweza kuingiza ripoti kwa utulivu, mitiririko ya usaidizi, au matokeo ya utafiti.
Usikivu wa haraka unaweza kuunda matokeo yasiyolingana katika maombi sawa.
Data nyeti ya maandishi inaweza kufichuliwa ikiwa vidhibiti vya ufikiaji ni dhaifu.
Ramani ya Utekelezaji
Bainisha umbizo la towe, toni na viwango vya ubora kabla ya kusambaza.
Majibu ya msingi na vyanzo vinavyoaminika wakati wowote usahihi ni muhimu.
Weka ukaguzi wa ukaguzi wa kibinadamu kwa matokeo ya juu.
Fuatilia mifumo ya kushindwa na fundisha tena vidokezo au mtiririko wa kazi mara kwa mara.
Endelea Kuchunguza
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
Mwongozo unaofuata
Ukandamizaji Usio wa Kiwango cha Juu
Maswali yanayoulizwa mara kwa mara
What is Maximum Marginal Relevance?
Umuhimu wa Upeo wa Juu (MMR) ni mbinu ya kupanga upya ambayo husawazisha jinsi matokeo yanavyofaa dhidi ya jinsi yalivyo tofauti na matokeo yaliyochaguliwa tayari. Ni muhimu kwa sababu cheo halisi cha umuhimu mara nyingi hurejesha vifungu karibu na nakala ambavyo vinapoteza nafasi katika dirisha la muktadha wa RAG.
Je, ni tatizo gani la msingi ambalo MMR imeundwa kutatua?
MMR inashughulikia tabia ya kuorodheshwa kwa umuhimu tu kuibua matokeo mengi ambayo yanasema kitu sawa, kwa zawadi mpya.
Katika fomula ya MMR, thamani ya lambda karibu na 1 inasisitiza nini?
Umuhimu wa uzito wa Lambda; karibu na 1 neno la umuhimu hutawala, huku karibu na 0 istilahi ya utofauti (uwiano wa chini) hutawala.
Je, MMR huchaguaje matokeo yake?
MMR ni mbinu ya kurudia ya uchoyo: kila chaguo huongeza umuhimu kando na ulinganifu wa juu zaidi na vipengee vilivyochaguliwa tayari.
Ni kipimo gani cha mfanano kinachotumika sana ndani ya MMR kwa upachikaji wa maandishi?
Ulinganifu wa cosine kati ya vekta za kupachika ndilo chaguo la kawaida la umuhimu wa hoja na ulinganisho baina ya hati katika MMR.
Kwa nini MMR ni muhimu sana katika kizazi kilichoongezwa-ugmented (RAG)?
Kwa kubadilisha sehemu zilizorejeshwa, MMR husaidia kielelezo kuona ushahidi tofauti badala ya ukweli uleule unaorudiwa, kuboresha utangazaji.