Maksimum Marjinal Uygunluk
Maksimum Marjinal Uygunluk (MMR), bir sonucun ne kadar alakalı olduğu ile halihazırda seçilmiş olan sonuçlardan ne kadar farklı olduğunu dengeleyen bir yeniden sıralama yöntemidir.
Genel Bakış
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Derin Dalış
Bir arama sistemi belgeleri yalnızca bir sorguyla olan ilgisine göre puanladığında, en üstteki sonuçlar sıklıkla gereksiz olur; beş pasajın tümü aynı şeyi söyler. Carbonell ve Goldstein tarafından 1998'de tanıtılan MMR, sonuçları birer birer seçerek bu sorunu gideriyor. Her adımda, ağırlıklı karışımı en üst düzeye çıkaran adayı seçer: lambda çarpı sorguyla ilgisi, eksi (1 eksi lambda) çarpı zaten seçilmiş olan herhangi bir şeye maksimum benzerliği. 1'e yakın bir lambda saf alakayı destekler; 0'a yakın çeşitlilikten yanadır. Geri getirmeyle artırılmış nesilde MMR, çeşitli parça kümelerini getirmek için popülerdir, böylece dil modeli aynı gerçeğin tekrarlanması yerine tamamlayıcı kanıtlar görür ve bağlamı genişletmeden kapsamı geliştirir.
Teknik Bilgi
MMR açgözlü, yinelemeli bir algoritmadır. Hem alaka hem de belgeler arası benzerlik genellikle yerleştirme vektörleri arasındaki kosinüs benzerliği olarak hesaplanır. Puanlama formülü şu şekildedir: MMR = kalan belgeler üzerinden argmax [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, seçili) ]. Her turda büyüyen seçilen kümeye göre yeniden değerlendirme yaptığı için sıralamaya bağlıdır ve n adaydan k seçim için kabaca O(k*n) benzerlik karşılaştırmaları yapar.
Stratejik Etki
Speed and scale
Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir.
Access and reach
Diller ve iletişim tarzları arasında erişimi genişletir.
Daha net kararlar
Otomasyon tekrarlamayı yönetirken ekipler karar vermeye daha fazla zaman ayırabilir.
Maksimum Marjinal İlgililiğin Geleceği
MMR, LangChain ve Chroma gibi vektör-veritabanı istemcilerinde hafif bir varsayılan olarak kalır ve burada tek satırlı alma modu olarak sunulur. Gelecekteki sistemler bunu, öğrenilmiş çeşitlilik hedefleri, küme tabanlı seçim ve yeniliği kosinüs mesafesinden daha semantik olarak değerlendiren çapraz kodlayıcı yeniden sıralamalarıyla giderek daha fazla eşleştiriyor. Bağlam pencereleri büyüdükçe, vurgu, yerden tasarruf etmekten, gerçekten tamamlayıcı kanıtların toplanmasına doğru kayıyor ve ham kapasite bol olduğunda bile MMR gibi çeşitliliğe duyarlı seçimleri alakalı tutuyor.
Gerçek Dünya Uygulaması
Bir RAG sohbet robotu MMR alımını kullanır, böylece ilk 5 parçası aynı paragrafın beş farklı ifadesi yerine bir politikanın farklı yönlerini kapsar.
Bir araştırma özetleme aracı, örtüşmeyi en aza indiren pasajları seçmek için MMR'yi uygulayarak daha geniş, daha az tekrarlı bir özet üretir.
Bir haber toplayıcı, on haber kaynağının tek bir haberi tekrarlaması yerine, bir olayın çeşitli kapsamlarını gösterecek şekilde makaleleri MMR'ye göre sıralıyor.
LangChain'in vektör deposu alıcısı, döndürülen belgeleri çeşitlendirmek için search_type='mmr' ifadesini fetch_k ve lambda_mult ile gösterir.
Riskler ve Korkuluklar
Halüsinasyonlu gerçekler sessizce raporlara, destek akışlarına veya araştırma çıktılarına girebilir.
İstem hassasiyeti, benzer istekler arasında tutarsız sonuçlar yaratabilir.
Erişim kontrolleri zayıfsa hassas metin verileri açığa çıkabilir.
Uygulama Yol Haritası
Kullanıma sunmadan önce çıktı formatını, tonunu ve kalite standartlarını tanımlayın.
Doğruluğun önemli olduğu durumlarda güvenilir kaynaklarla zemin müdahaleleri.
Yüksek riskli çıktılar için insan incelemesi kontrol noktası bulundurun.
Arıza modellerini takip edin ve istemleri veya iş akışlarını düzenli olarak yeniden eğitin.
Keşfetmeye Devam Edin
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
Next guide
Maksimum Olmayan Bastırma
Sık sorulan sorular
What is Maximum Marginal Relevance?
Maksimum Marjinal Uygunluk (MMR), bir sonucun ne kadar alakalı olduğu ile halihazırda seçilmiş olan sonuçlardan ne kadar farklı olduğunu dengeleyen bir yeniden sıralama yöntemidir. Bu önemlidir, çünkü saf alaka sıralaması genellikle bir RAG bağlam penceresinde yer israfına neden olan neredeyse yinelenen pasajları döndürür.
MMR'ın çözmek için tasarlandığı temel sorun nedir?
MMR, yeniliği ödüllendirerek, aslında aynı şeyi söyleyen birçok sonucun yüzeye çıkması için yalnızca alaka düzeyi sıralaması eğilimini ele alıyor.
MMR formülünde 1'e yakın lambda değeri neyi vurguluyor?
Lambda alaka düzeyini ağırlıklandırır; 1'e yakın ilgi terimi baskın olurken, 0'a yakın çeşitlilik (düşük benzerlik) terimi baskındır.
MMR sonuçlarını nasıl seçiyor?
MMR açgözlü yinelemeli bir yöntemdir: her seçim, önceden seçilmiş olan öğelere olan maksimum benzerlik eksi alakayı maksimuma çıkarır.
MMR'de metin yerleştirmeler için en yaygın olarak hangi benzerlik ölçüsü kullanılır?
Gömme vektörleri arasındaki kosinüs benzerliği, MMR'de hem sorgu alaka düzeyi hem de belgeler arası karşılaştırma için standart seçimdir.
MMR neden özellikle erişimle artırılmış nesilde (RAG) faydalıdır?
MMR, alınan parçaları çeşitlendirerek modelin aynı gerçeğin tekrarlanması yerine çeşitli kanıtları görmesine yardımcı olarak kapsamı geliştirir.