SıradakiSonraki rehber
Maksimum Olmayan Bastırma
Görsel Yapay Zeka
Dil AI KILAVUZU
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.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
Bu önemlidir, çünkü saf alaka sıralaması genellikle bir RAG bağlam penceresinde yer israfına neden olan neredeyse yinelenen pasajları döndürür.
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.
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.
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.
Uygulamaya koymak
Neden önemli?
- Hız ve ölçek. Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir.
- Erişim ve erişim. Diller ve iletişim tarzları arasında erişimi genişletir.
- Daha net kararlar. Otomasyon tekrarlamayı yönetirken ekipler karar vermeye daha fazla zaman ayırabilir.
Dikkat edin
- 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.
Sonraki adımlar
- 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
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Maximum Marginal Relevance quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
Maksimum Marjinal Uygunluk Nedir?
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.
How can an embedding-based MMR implementation measure query relevance and document redundancy?
The general algorithm permits suitable similarity functions; cosine is a common choice for vector representations.
MMR neden özellikle erişimle artırılmış nesilde (RAG) faydalıdır?
MMR, alınan parçaları çeşitlendirerek modelin aynı gerçeğin tekrarlanması yerine çeşitli kanıtları görmesine yardımcı olarak kapsamı geliştirir.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi