Sắp xếp lại mô hình
Công cụ xếp hạng lại là mô hình ở giai đoạn thứ hai, đánh giá lại danh sách kết quả tìm kiếm rút gọn về mức độ liên quan với truy vấn, làm sắc nét thứ tự sau khi công cụ truy xuất nhanh thu hút các ứng viên.
Tổng quan
It is a key ingredient in modern search and retrieval-augmented generation (RAG).
Lặn sâu
Hệ thống tìm kiếm và RAG thường hoạt động theo hai giai đoạn. Đầu tiên, một công cụ truy xuất nhanh (thường là tìm kiếm vectơ/nhúng hoặc từ khóa BM25) có thể lấy được 50-100 tài liệu ứng cử viên từ hàng triệu tài liệu - được tối ưu hóa để thu hồi và tốc độ. Nhưng lần vượt qua đầu tiên đó sẽ chấm điểm truy vấn và tài liệu một cách riêng biệt, vì vậy nó có thể bỏ lỡ sắc thái. Xếp hạng lại là bước chính xác: nó kết hợp truy vấn và từng ứng viên rồi đưa ra điểm phù hợp chi tiết, sau đó sắp xếp lại danh sách để kết quả tốt nhất sẽ đưa lên đầu. Kiến trúc chủ đạo là bộ mã hóa chéo: nó cung cấp truy vấn và tài liệu cùng nhau vào một biến áp, cho phép mọi mã thông báo truy vấn tham gia vào mọi mã thông báo tài liệu. Sự tương tác sâu sắc này làm cho người xếp hạng lại chính xác hơn nhiều so với việc nhúng sự tương đồng, với chi phí phải chạy một lần cho mỗi ứng viên.
Hiểu biết kỹ thuật
Sự tương phản là bộ mã hóa hai chiều và bộ mã hóa chéo. Bộ mã hóa kép nhúng truy vấn và tài liệu một cách độc lập vào các vectơ, do đó, độ tương tự là một tích số chấm rẻ tiền — nhanh và có thể tính toán trước nhưng nông. Bộ mã hóa chéo ghép nối truy vấn và tài liệu thành một đầu vào và chạy toàn bộ quá trình chuyển đổi, tạo ra một điểm liên quan duy nhất với mức độ chú ý phong phú ở cấp độ mã thông báo. Nó không thể được tính toán trước, do đó nó được dành riêng để sắp xếp lại một danh sách rút gọn nhỏ. Các mô hình như Cohere Rerank và BGE-reranker minh họa điều này.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của các mô hình sắp xếp lại
Trình sắp xếp lại đang trở thành tiêu chuẩn trong quy trình RAG vì bối cảnh được sắp xếp tốt hơn sẽ trực tiếp cải thiện chất lượng câu trả lời LLM và giảm ảo giác. Yêu cầu bộ mã hóa chéo nhẹ hơn, nhanh hơn, bộ sắp xếp lại đa ngôn ngữ và đa phương thức (văn bản cùng với hình ảnh hoặc bảng) và cửa sổ ngữ cảnh dài hơn để có thể ghi toàn bộ tài liệu. Các công cụ sắp xếp lại 'theo danh sách' dựa trên LLM để đánh giá toàn bộ nhóm ứng cử viên cùng một lúc đang phát triển và một số hệ thống chắt lọc các đánh giá của bộ mã hóa chéo trở lại thành các công cụ truy xuất rẻ hơn để đạt được độ chính xác gần hơn ở giai đoạn đầu tiên.
Triển khai trong thế giới thực
Một chatbot RAG truy xuất 50 khối bằng cách nhúng tìm kiếm, sau đó xếp hạng lại để chỉ cung cấp 5 khối phù hợp nhất vào ngữ cảnh của LLM
Tìm kiếm thương mại điện tử sắp xếp lại kết quả sản phẩm để các mặt hàng phù hợp nhất với cụm từ truy vấn đầy đủ của người mua hàng xuất hiện đầu tiên
Cohere Rerank hoặc BGE-rerank tăng cường độ chính xác của việc tìm kiếm tài liệu doanh nghiệp trên hàng nghìn tệp PDF chính sách
Cơ sở kiến thức hỗ trợ khách hàng sắp xếp lại các bài viết trợ giúp được truy xuất để tổng đài viên đưa ra câu trả lời phù hợp nhất ở trên cùng
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
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 Reranking Models 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
Hướng dẫn tiếp theo
Thử nghiệm A/B cho mô hình ML
Câu hỏi thường gặp
What is Reranking Models?
Công cụ xếp hạng lại là mô hình ở giai đoạn thứ hai, đánh giá lại danh sách kết quả tìm kiếm rút gọn về mức độ liên quan với truy vấn, làm sắc nét thứ tự sau khi công cụ truy xuất nhanh thu hút các ứng viên. Nó là một thành phần quan trọng trong thế hệ tăng cường tìm kiếm và truy xuất (RAG) hiện đại.
Trong quy trình truy xuất hai giai đoạn điển hình, công việc của người sắp xếp lại là gì?
Người truy tìm nhanh chóng tìm nạp ứng viên; Sau đó, người xếp hạng lại sẽ tính điểm lại danh sách rút gọn đó để đẩy các kết quả phù hợp nhất lên đầu.
Hầu hết những người xếp hạng lại sử dụng kiến trúc nào?
Người xếp hạng lại thường sử dụng các bộ mã hóa chéo, cung cấp truy vấn và ghi tài liệu cùng nhau để sự chú ý có thể mô hình hóa sự tương tác của họ.
Tại sao không thể sử dụng trình sắp xếp lại bộ mã hóa chéo để tìm kiếm trực tiếp hàng triệu tài liệu?
Không giống như các phần nhúng có thể tính toán trước, bộ mã hóa chéo phải chạy toàn bộ lượt biến áp trên mỗi cặp, do đó, nó được dành riêng cho một danh sách rút gọn nhỏ.
Ưu điểm chính của bộ mã hóa kép so với bộ mã hóa chéo là gì?
Bộ mã hóa kép nhúng các tài liệu một cách độc lập và trước, cho phép tìm kiếm sự giống nhau nhanh chóng trên các bộ sưu tập khổng lồ.
Trình xếp hạng lại giúp giảm ảo giác trong hệ thống RAG như thế nào?
Bối cảnh được sắp xếp tốt hơn, phù hợp hơn mang lại nền tảng chính xác cho LLM, giúp giảm các câu trả lời bịa đặt.