ภาพรวม
Maximum Marginal Relevance (MMR) เป็นวิธีการจัดอันดับใหม่ที่สร้างสมดุลระหว่างความเกี่ยวข้องของผลลัพธ์กับความแตกต่างจากผลลัพธ์ที่เลือกไว้แล้ว เป็นเรื่องสำคัญเนื่องจากการจัดอันดับความเกี่ยวข้องอย่างแท้จริงมักจะส่งกลับข้อความที่เกือบจะซ้ำกันซึ่งทำให้เปลืองพื้นที่ในหน้าต่างบริบท RAG
ความเกี่ยวข้องส่วนเพิ่มสูงสุดเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
เมื่อระบบค้นหาให้คะแนนเอกสารตามความเกี่ยวข้องกับข้อความค้นหาเพียงอย่างเดียว ผลลัพธ์อันดับต้นๆ มักจะซ้ำซ้อน — มีข้อความห้าข้อความที่พูดสิ่งเดียวกันทั้งหมด MMR ซึ่งแนะนำโดย Carbonell และ Goldstein ในปี 1998 แก้ไขปัญหานี้โดยเลือกผลลัพธ์ทีละรายการ ในแต่ละขั้นตอน ระบบจะเลือกตัวเลือกที่จะเพิ่มการผสมผสานแบบถ่วงน้ำหนักให้ได้สูงสุด โดย lambda คูณความเกี่ยวข้องกับแบบสอบถาม ลบ (1 ลบ lambda) คูณความคล้ายคลึงสูงสุดกับสิ่งที่เลือกไว้แล้ว แลมบ์ดาที่อยู่ใกล้ 1 ให้ความสำคัญกับความเกี่ยวข้องอย่างแท้จริง ใกล้ 0 มันชอบความหลากหลาย ในยุคที่ดึงข้อมูลมาเสริม MMR ได้รับความนิยมในการดึงข้อมูลชุดข้อมูลที่หลากหลาย ดังนั้นโมเดลภาษาจึงเห็นหลักฐานเสริมแทนที่จะแสดงข้อเท็จจริงเดียวกันซ้ำ ปรับปรุงความครอบคลุมโดยไม่ต้องขยายบริบท
ข้อมูลเชิงลึกทางเทคนิค
MMR เป็นอัลกอริธึมที่โลภและวนซ้ำ ทั้งความเกี่ยวข้องและความคล้ายคลึงกันระหว่างเอกสารมักจะคำนวณเป็นความคล้ายคลึงโคไซน์ระหว่างเวกเตอร์ที่ฝัง สูตรการให้คะแนนคือ: MMR = argmax สำหรับเอกสารที่เหลือของ [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, Selected) ] เนื่องจากจะมีการประเมินใหม่กับชุดที่เลือกที่เพิ่มขึ้นในแต่ละรอบ จึงขึ้นอยู่กับลำดับและดำเนินการในการเปรียบเทียบความคล้ายคลึงกันประมาณ O(k*n) สำหรับการเลือก k รายการจากผู้สมัคร n ราย
การเรียนรู้ความเกี่ยวข้องส่วนเพิ่มสูงสุด
Maximum Marginal Relevance (MMR) เป็นวิธีการจัดอันดับใหม่ที่สร้างสมดุลระหว่างความเกี่ยวข้องของผลลัพธ์กับความแตกต่างจากผลลัพธ์ที่เลือกไว้แล้ว เป็นเรื่องสำคัญเนื่องจากการจัดอันดับความเกี่ยวข้องอย่างแท้จริงมักจะส่งกลับข้อความที่เกือบจะซ้ำกันซึ่งทำให้เปลืองพื้นที่ในหน้าต่างบริบท RAG ความเกี่ยวข้องส่วนเพิ่มสูงสุดเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Maximum Marginal Relevance เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังคงต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งโดยใช้พรอมต์การออกแบบความเกี่ยวข้องส่วนเพิ่มสูงสุด การดึงข้อมูล และลูปการตรวจสอบเป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
แชทบอต RAG ใช้การดึงข้อมูล MMR ดังนั้น 5 ส่วนแรกจึงครอบคลุมแง่มุมต่างๆ ของนโยบาย แทนที่จะเป็น 5 บทถอดความในย่อหน้าเดียวกัน
เครื่องมือสรุปการวิจัยใช้ MMR เพื่อเลือกข้อความที่ลดการทับซ้อนกัน ทำให้เกิดบทสรุปที่กว้างขึ้นและซ้ำกันน้อยลง
ผู้รวบรวมข่าวจัดอันดับบทความด้วย MMR เพื่อนำเสนอการรายงานข่าวที่หลากหลายของเหตุการณ์ แทนที่จะเป็นช่องทางสิบแห่งที่เล่าเรื่องลวดเรื่องเดียว
ตัวดึงข้อมูลร้านค้าเวกเตอร์ของ LangChain เปิดเผย search_type='mmr' ด้วย fetch_k และ lambda_mult เพื่อกระจายเอกสารที่ส่งคืน
รูปแบบการดำเนินงาน
ความเกี่ยวข้องส่วนเพิ่มสูงสุดในทางปฏิบัติ
แชทบอต RAG ใช้การดึงข้อมูล MMR ดังนั้น 5 ส่วนแรกจึงครอบคลุมแง่มุมต่างๆ ของนโยบาย แทนที่จะเป็น 5 บทถอดความในย่อหน้าเดียวกัน
แชทบอต RAG ใช้การดึงข้อมูล MMR ดังนั้น 5 ส่วนอันดับแรกจึงครอบคลุมแง่มุมต่างๆ ของนโยบาย แทนที่จะเป็น 5 บทถอดความจากย่อหน้าเดียวกัน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเกี่ยวข้องส่วนเพิ่มสูงสุดในทางปฏิบัติ
เครื่องมือสรุปการวิจัยใช้ MMR เพื่อเลือกข้อความที่ลดการทับซ้อนกัน ทำให้เกิดบทสรุปที่กว้างขึ้นและซ้ำกันน้อยลง
เครื่องมือสรุปการวิจัยใช้ MMR เพื่อเลือกข้อความที่ลดการทับซ้อนกัน สร้างการสรุปที่กว้างขึ้นและซ้ำกันน้อยลง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเกี่ยวข้องส่วนเพิ่มสูงสุดในทางปฏิบัติ
ผู้รวบรวมข่าวจัดอันดับบทความด้วย MMR เพื่อนำเสนอการรายงานข่าวที่หลากหลายของเหตุการณ์ แทนที่จะเป็นช่องทางสิบแห่งที่เล่าเรื่องลวดเรื่องเดียว
ผู้รวบรวมข่าวจัดอันดับบทความด้วย MMR เพื่อแสดงความครอบคลุมที่หลากหลายของเหตุการณ์ แทนที่จะเป็นสิบช่องทางที่ทำซ้ำเรื่องราวเดียว ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเกี่ยวข้องส่วนเพิ่มสูงสุดในทางปฏิบัติ
ตัวดึงข้อมูลร้านค้าเวกเตอร์ของ LangChain เปิดเผย search_type='mmr' ด้วย fetch_k และ lambda_mult เพื่อกระจายเอกสารที่ส่งคืน
ตัวดึงข้อมูลเวกเตอร์ของ LangChain เปิดเผย search_type='mmr' ด้วย fetch_k และ lambda_mult เพื่อกระจายเอกสารที่ส่งคืน โดยปกติแล้วทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น