ДаліНаступний посібник
Немаксимальне придушення
Візуальний ШІ
Мова AI GUIDE
Максимальна гранична релевантність
Максимальна гранична релевантність (MMR) — це метод переранжування, який порівнює релевантність результату з тим, наскільки він відрізняється від уже обраних результатів.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Глибоке занурення
Коли пошукова система оцінює документи лише за релевантністю запиту, найпопулярніші результати часто є зайвими — п’ять уривків містять одне й те саме. MMR, представлений Carbonell і Goldstein у 1998 році, виправляє це шляхом вибору результатів по одному. На кожному кроці він вибирає кандидата, який максимізує зважену суміш: лямбда, помножена на його релевантність для запиту, мінус (1 мінус лямбда), помножена на максимальну схожість із уже вибраним. Лямбда біля 1 сприяє чистій релевантності; біля 0 це сприяє різноманітності. У пошуково-доповненій генерації MMR популярний для отримання різноманітного набору фрагментів, тому мовна модель бачить додаткові докази, а не повторення того самого факту, покращуючи охоплення без розширення контексту.
Реалізація в реальному світі
Чат-бот RAG використовує пошук MMR, тому його 5 найпоширеніших фрагментів охоплюють різні аспекти політики замість п’яти перефразів одного абзацу.
Інструмент підсумовування дослідження застосовує MMR для вибору уривків, які мінімізують збіги, створюючи ширший, менш повторюваний підсумок.
Агрегатор новин ранжує статті за допомогою MMR, щоб показати різноманітне висвітлення події, а не десять ЗМІ, які повторюють одну новину.
Програма пошуку векторних сховищ LangChain надає search_type='mmr' із fetch_k і lambda_mult, щоб урізноманітнити повернуті документи.
Майбутнє максимальної граничної релевантності
MMR залишається стандартним стандартом у клієнтах векторних баз даних, таких як LangChain і Chroma, де він пропонується як однорядковий режим пошуку. Майбутні системи все частіше поєднують його з вивченими цілями різноманітності, відбором на основі кластерів і перерахунками між кодувальниками, які оцінюють новизну більше семантично, ніж косинусну відстань. У міру того, як вікна контексту зростають, акцент зміщується з економії місця на кураторство справді додаткових доказів, зберігаючи відбір з урахуванням різноманітності, як-от MMR, актуальним навіть за наявності великої кількості вихідних ресурсів.
Застосування на практиці
Чому це важливо
- Швидкість і масштаб. Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
- Доступ і охоплення. Це розширює доступ до різних мов і стилів спілкування.
- Чіткіші рішення. Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Зверніть увагу на
- Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
- Делікатність підказок може створити суперечливі результати для подібних запитів.
- Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Наступні кроки
- Визначте вихідний формат, тон і стандарти якості перед розгортанням.
- Якщо точність має значення, зв’яжіться з надійними джерелами.
- Тримайте контрольну точку перевірки людьми для отримання високих ставок.
- Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Maximum Marginal Relevance quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
What is Maximum Marginal Relevance?
Максимальна гранична релевантність (MMR) — це метод переранжування, який порівнює релевантність результату з тим, наскільки він відрізняється від уже обраних результатів. Це важливо, оскільки чисте ранжування за релевантністю часто повертає майже повторювані фрагменти, які витрачають місце у контекстному вікні RAG.
Яку основну проблему покликаний вирішити MMR?
MMR усуває тенденцію ранжування лише за релевантністю, щоб показувати багато результатів, які говорять, по суті, те саме, винагороджуючи за новизну.
У формулі MMR, що підкреслює значення лямбда, близьке до 1?
Релевантність лямбда-ваг; біля 1 домінує термін релевантності, тоді як біля 0 домінує термін різноманітності (низька схожість).
Як MMR відбирає результати?
MMR — це жадібний ітераційний метод: кожен вибір максимізує релевантність за вирахуванням максимальної схожості з уже вибраними елементами.
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.
Чому MMR особливо корисний у пошуково-доповненій генерації (RAG)?
Урізноманітнюючи отримані фрагменти, MMR допомагає моделі бачити різноманітні докази, а не повторювати той самий факт, покращуючи охоплення.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми