Hibrit Arama Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Hibrit arama tipik olarak hangi iki erişim yaklaşımını birleştirir?
   • Seyrek anahtar kelime araması (ör. BM25) ve yoğun vektör araması
   • Cevaplara oy veren iki farklı büyük dil modeli
   • Yalnızca SQL sorguları ve tam metin dizinleri
   • Görsel arama ve sesli arama
2. Sonuçları birleştirmek için neden Karşılıklı Sıra Füzyonu (RRF) yaygın olarak kullanılıyor?
   • Her sorgu için yeni bir sinir ağı eğitiyor
   • Belgeleri ham puanlar yerine sıralama konumuna göre birleştirerek ölçek uyumsuzluğunu önler
   • Her iki listede de görünen tüm belgeleri siler
   • Her alıcıdan yalnızca tek en iyi sonucu tutar
3. Hibrit aramanın seyrek (anahtar kelime) bileşenini en çok hangi senaryo destekler?
   • Sorguyu farklı sözcüklerle ifade eden belgeleri bulma
   • Bir cümlenin duygusal tonunu anlamak
   • Kelimenin tam anlamıyla görünmesi gereken tam bir parça numarası veya hata koduyla eşleşme
   • Bir sorguyu başka bir dile çevirme
4. Yoğun vektör aramasını tek başına kullanmanın temel zayıflığı nedir?
   • Eşanlamlıları veya açıklamaları anlayamıyor
   • Yalnızca görseller üzerinde çalışır
   • Hiçbir yerleştirme gerektirmez
   • Belirli kodlar veya soyadlar gibi nadir belirteçleri tam olarak kaçırabilir
5. SPLADE gibi öğrenilmiş bir seyrek model ne yapar?
   • Seyrek ve yoğun fikirleri harmanlayarak bir sinir ağı kullanarak yorumlanabilir terim ağırlıkları üretir.
   • Tüm anahtar kelime eşleşmelerini aramadan kaldırır
   • Görüntüleri yalnızca vektör olarak saklar
   • Herhangi bir geri alma ihtiyacının yerini alır
6. What can combining lexical and dense retrieval provide to a RAG system?
   • A guarantee that every generated statement is true
   • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
   • A replacement for grounding sources
   • An automatic legal review of generated answers
7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
   • They always ran faster and used less compute than BM25
   • They made retrieval independent of the corpus
   • They often achieved stronger zero-shot performance but at higher computational cost
   • They guaranteed a correct generated answer
8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
   • It always beats every neural retriever
   • It cannot retrieve exact terms
   • It is a dense-vector model
   • It remains a robust baseline across diverse datasets