Definicja i granice
Reranking to dodatkowy etap oceny wyników pobranych w pierwszej fazie retrieval. Pozwala uporządkować kandydatów według bardziej szczegółowych kryteriów, np. zgodności z intencją, świeżości, jakości źródła lub przydatności fragmentu. Granicą tego pojęcia jest jego funkcja w całym pipeline AI Search. Nie należy rozszerzać go na obszary, które mają inną rolę techniczną lub decyzyjną.
Miejsce w pipeline
Retrieval znajduje się pomiędzy interpretacją zapytania a generatywną odpowiedzią. Najpierw system musi znaleźć kandydatów, następnie może ich ponownie ocenić, rozpoznać encje, dobrać dowody i dopiero wtedy wykorzystać część informacji w odpowiedzi.
Jak projektować dokument
Dokument powinien mieć jasny temat, samowystarczalne fragmenty, jednoznaczne nagłówki i widoczne relacje pomiędzy twierdzeniami a dowodami. Kluczowa treść nie powinna zależeć od skomplikowanego JavaScript.
Jak wykorzystać to pojęcie w praktyce?
W kontekście „Reranking — ponowna ocena znalezionych kandydatów” najważniejsze jest, aby odróżnić wstępne dopasowanie od ponownej oceny kandydatów według trafności, jakości i kontekstu. Po interpretacji zapytania system tworzy zbiór kandydatów, ocenia dokumenty lub fragmenty, a następnie ogranicza materiał do tego, co zmieści się w kontekście odpowiedzi. Na każdym etapie zasób może odpaść z innego powodu: niedostępności, słabego dopasowania, braku dowodu albo niższej użyteczności niż konkurencyjny fragment.
Przykład i sposób weryfikacji
Strona może być zaindeksowana i zajmować dobrą pozycję w klasycznym wyszukiwaniu, lecz nie zostać użyta w odpowiedzi. Przyczyną może być zbyt szeroki fragment, niejasny podmiot twierdzenia albo brak informacji potrzebnej do rozstrzygnięcia konkretnego kryterium.
Granice interpretacji
Cytowanie pozwala potwierdzić użycie źródła, ale brak cytowania nie dowodzi, że dokument nie uczestniczył w retrieval. Interfejs może nie ujawniać wszystkich materiałów, dlatego wnioski powinny dotyczyć obserwowanej próby.
Wniosek dotyczący „Reranking — ponowna ocena znalezionych kandydatów” powinien wskazywać, co rzeczywiście zaobserwowano, czego nie da się potwierdzić oraz jaki następny test może rozstrzygnąć wątpliwość. Taka forma chroni czytelnika przed pozorną pewnością i pozwala wykorzystać dokument jako część powtarzalnej metodologii AI Search.
Co sprawdzić dalej?
Ten dokument jest częścią spójnego modelu AI Search. Kolejny krok zależy od tego, czy problem dotyczy query processing, retrieval, encji, źródeł, architektury czy pomiaru.