زبان AI گائیڈ
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۔
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
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۔
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۔
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۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- 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۔
پر نگاہ رکھیں
- 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۔
اگلے اقدامات
- 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
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Maximum Marginal Relevance quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
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۔
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 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۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔