زیادہ سے زیادہ مارجنل مطابقت
Maximum Marginal Relevance (MMR) ری رینکنگ کا ایک طریقہ ہے جو اس بات کو متوازن کرتا ہے کہ نتیجہ کتنا متعلقہ ہے اس کے مقابلے میں یہ پہلے سے منتخب کردہ نتائج سے کتنا مختلف ہے۔
جائزہ
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
گہرا غوطہ
جب تلاش کا نظام کسی استفسار سے مطابقت کے لحاظ سے دستاویزات کو مکمل طور پر اسکور کرتا ہے، تو سرفہرست نتائج اکثر بے کار ہوتے ہیں - پانچ اقتباسات سبھی ایک ہی بات کہتے ہیں۔ MMR، 1998 میں کاربونل اور گولڈسٹین کے ذریعے متعارف کرایا گیا، ایک وقت میں ایک ایک نتائج کو منتخب کر کے اسے ٹھیک کرتا ہے۔ ہر قدم پر یہ امیدوار کو چنتا ہے جو وزنی مرکب کو زیادہ سے زیادہ کرتا ہے: لیمبڈا استفسار سے اس کی مطابقت کو گنا، مائنس (1 مائنس لیمبڈا) پہلے سے منتخب کردہ کسی بھی چیز سے اس کی زیادہ سے زیادہ مماثلت کا گنا۔ 1 کے قریب ایک لیمبڈا خالص مطابقت کے حق میں ہے۔ 0 کے قریب یہ تنوع کی حمایت کرتا ہے۔ بازیافت سے بڑھی ہوئی نسل میں، MMR مختلف حصوں کو حاصل کرنے کے لیے مشہور ہے لہذا زبان کا ماڈل ایک ہی حقیقت کو دہرانے کے بجائے تکمیلی ثبوت دیکھتا ہے، سیاق و سباق کو وسیع کیے بغیر کوریج کو بہتر بناتا ہے۔
تکنیکی بصیرت
MMR ایک لالچی، تکراری الگورتھم ہے۔ مطابقت اور بین دستاویزی مماثلت دونوں کو عام طور پر سرایت کرنے والے ویکٹر کے درمیان کوزائن مماثلت کے طور پر شمار کیا جاتا ہے۔ سکورنگ فارمولہ یہ ہے: MMR = argmax [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, سلیکٹڈ) ] کے بقیہ دستاویزات پر۔ چونکہ یہ ہر دور میں بڑھتے ہوئے منتخب کردہ سیٹ کے خلاف دوبارہ جائزہ لیتا ہے، اس لیے یہ آرڈر پر منحصر ہے اور n امیدواروں کی جانب سے k پکس کے لیے تقریباً O(k*n) مماثلت کے موازنہ میں چلتا ہے۔
اسٹریٹجک اثر
رفتار اور پیمانہ
زبان کے کام کے بہاؤ مستقل مزاجی کی قربانی کے بغیر تیزی سے آگے بڑھ سکتے ہیں۔
رسائی اور رسائی
یہ زبانوں اور مواصلاتی طرزوں تک رسائی کو بڑھاتا ہے۔
واضح فیصلے
ٹیمیں فیصلے پر زیادہ وقت گزار سکتی ہیں جبکہ آٹومیشن تکرار کو سنبھالتی ہے۔
زیادہ سے زیادہ مارجنل مطابقت کا مستقبل
LangChain اور Chroma جیسے ویکٹر ڈیٹا بیس کلائنٹس میں MMR ایک ہلکا پھلکا ڈیفالٹ رہتا ہے، جہاں اسے ون لائن ریٹریول موڈ کے طور پر پیش کیا جاتا ہے۔ مستقبل کے نظام تیزی سے اسے سیکھے ہوئے تنوع کے مقاصد، کلسٹر پر مبنی انتخاب، اور کراس انکوڈر رینکرز کے ساتھ جوڑتے ہیں جو کوسائن فاصلے کے مقابلے میں نیاپن کو زیادہ معنوی طور پر پرکھتے ہیں۔ جیسے جیسے سیاق و سباق کی کھڑکیوں میں اضافہ ہوتا ہے، جگہ بچانے سے حقیقی طور پر تکمیلی شواہد کی تیاری پر زور دیا جاتا ہے، MMR جیسے تنوع سے آگاہ انتخاب کو متعلقہ رکھتے ہوئے بھی جب خام صلاحیت بہت زیادہ ہو۔
حقیقی دنیا کا نفاذ
ایک RAG چیٹ بوٹ MMR بازیافت کا استعمال کرتا ہے لہذا اس کے اوپری 5 حصے ایک ہی پیراگراف کے پانچ پیرا فریز کی بجائے پالیسی کے مختلف پہلوؤں کا احاطہ کرتے ہیں۔
ایک تحقیقی خلاصہ کا ٹول MMR کا اطلاق ایسے حصئوں کو چننے کے لیے کرتا ہے جو اوورلیپ کو کم سے کم کرتے ہیں، جس سے ایک وسیع، کم تکراری خلاصہ تیار ہوتا ہے۔
ایک خبر جمع کرنے والا ایک وائر اسٹوری کو دہرانے والے دس آؤٹ لیٹس کے بجائے کسی ایونٹ کی مختلف کوریج دکھانے کے لیے مضامین کو MMR کے ساتھ درجہ بندی کرتا ہے۔
LangChain کا ویکٹر اسٹور بازیافت کرنے والا تلاش_type='mmr' کو fetch_k اور lambda_mult کے ساتھ ظاہر کرتا ہے تاکہ لوٹی ہوئی دستاویزات کو متنوع بنایا جا سکے۔
خطرات اور گارڈریلز
گمراہ شدہ حقائق خاموشی سے رپورٹس، سپورٹ فلو، یا تحقیقی نتائج درج کر سکتے ہیں۔
فوری حساسیت اسی طرح کی درخواستوں میں متضاد نتائج پیدا کر سکتی ہے۔
اگر رسائی کے کنٹرول کمزور ہیں تو حساس ٹیکسٹ ڈیٹا کو بے نقاب کیا جا سکتا ہے۔
نفاذ کا روڈ میپ
رول آؤٹ سے پہلے آؤٹ پٹ فارمیٹ، ٹون اور معیار کے معیارات کی وضاحت کریں۔
جب بھی درستگی اہمیت رکھتی ہے تو بھروسہ مند ذرائع کے ساتھ زمینی جوابات۔
ہائی اسٹیک آؤٹ پٹس کے لیے ایک انسانی جائزہ چیک پوائنٹ رکھیں۔
ناکامی کے نمونوں کو ٹریک کریں اور پرامپٹس یا ورک فلو کو باقاعدگی سے دوبارہ تربیت دیں۔
دریافت کرتے رہیں
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
اگلا گائیڈ
غیر زیادہ سے زیادہ دبانا
اکثر پوچھے گئے سوالات
What is Maximum Marginal Relevance?
Maximum Marginal Relevance (MMR) ری رینکنگ کا ایک طریقہ ہے جو اس بات کو متوازن کرتا ہے کہ نتیجہ کتنا متعلقہ ہے اس کے مقابلے میں یہ پہلے سے منتخب کردہ نتائج سے کتنا مختلف ہے۔ یہ اہمیت رکھتا ہے کیونکہ خالص مطابقت کی درجہ بندی اکثر قریب قریب نقل والے حصئوں کو واپس کرتی ہے جو RAG سیاق و سباق کی ونڈو میں جگہ کو ضائع کرتی ہے۔
بنیادی مسئلہ کیا ہے جسے MMR حل کرنے کے لیے ڈیزائن کیا گیا ہے؟
MMR بہت سے نتائج کو منظر عام پر لانے کے لیے صرف مطابقت کی درجہ بندی کے رجحان کو حل کرتا ہے جو کہ بنیادی طور پر ایک ہی بات کہتے ہیں، انعامی نیاپن کے ذریعے۔
MMR فارمولے میں، 1 کے قریب لیمبڈا ویلیو کس چیز پر زور دیتی ہے؟
لیمبڈا وزن کی مطابقت؛ 1 کے قریب متعلقہ اصطلاح غالب ہے، جبکہ 0 کے قریب تنوع (کم مماثلت) کی اصطلاح غالب ہے۔
MMR اپنے نتائج کا انتخاب کیسے کرتا ہے؟
MMR ایک لالچی تکراری طریقہ ہے: ہر انتخاب زیادہ سے زیادہ مطابقت کو کم کرتا ہے اور پہلے سے منتخب کردہ آئٹمز سے زیادہ سے زیادہ مماثلت رکھتا ہے۔
ٹیکسٹ ایمبیڈنگز کے لیے MMR کے اندر کون سا مماثلت کا پیمانہ سب سے زیادہ استعمال ہوتا ہے؟
ایمبیڈنگ ویکٹر کے درمیان کوزائن مماثلت MMR میں استفسار کی مطابقت اور بین دستاویزی موازنہ دونوں کے لیے معیاری انتخاب ہے۔
MMR خاص طور پر ریٹریول-آگمینٹڈ جنریشن (RAG) میں کیوں مفید ہے؟
بازیافت شدہ ٹکڑوں کو متنوع بنا کر، MMR ماڈل کو ایک ہی حقیقت کو دہرانے کے بجائے مختلف ثبوت دیکھنے میں مدد کرتا ہے، کوریج کو بہتر بناتا ہے۔