Reranker

نموذج إعادة الترتيب هو نموذج متطور للتعلم الآلي صُمم لتحسين قائمة بالعناصر المرشحة وإعادة ترتيبها—مثل نتائج البحث أو مقاطع المستندات أو اكتشافات الكائنات—لزيادة ملاءمتها لاستعلام أو سياق محدد. في الأنظمة متعددة المراحل، يقوم «المسترجِع» الأولي أولًا بجمع مجموعة واسعة من العناصر التي يُحتمل أن تكون مفيدة بسرعة من مجموعة بيانات ضخمة. ثم يتولى نموذج إعادة الترتيب المرحلة الثانية، فيجري تحليلًا عميقًا وكثيفًا حسابيًا لهذه القائمة المختصرة الأصغر لتحديد أفضل المطابقات على الإطلاق. ومن خلال تركيز العمليات الحسابية المكثفة على عدد محدود من المرشحين فقط، يمكن للأنظمة تحقيق دقة عالية من دون التضحية بالسرعة اللازمة للتطبيقات الفورية.

كيفية عمل نماذج إعادة الترتيب#

تعمل إعادة الترتيب عادةً ضمن مسار معالجة من مرحلتين، وهو شائع في البحث الدلالي الحديث ومحركات التوصية.

• الاسترجاع في المرحلة الأولى: يفحص نموذج خفيف الوزن قاعدة البيانات بأكملها لاسترجاع مجموعة كبيرة من المرشحين (مثل أفضل 100 مستند). تعطي هذه المرحلة الأولوية لـالاستدعاء لضمان عدم تفويت أي عنصر ذي صلة، وغالبًا ما تستخدم خوارزميات سريعة مثل البحث التقريبي عن أقرب جار.
• إعادة الترتيب في المرحلة الثانية: يعالج نموذج إعادة الترتيب المرشحين الذين جرى استرجاعهم. وعلى خلاف المسترجِع، الذي قد يستخدم تشابهًا بسيطًا بين المتجهات، غالبًا ما يستخدم نموذج إعادة الترتيب بنية المشفّر المتقاطع أو بنية Transformer قوية. ويفحص التفاعل الكامل بين الاستعلام والعنصر المرشح، ملتقطًا الفروق الدقيقة والسياق اللذين تفوتهما النماذج الأبسط. ويكون الناتج قائمة معاد ترتيبها تظهر فيها العناصر الأكثر صلة في المقدمة.

نماذج إعادة الترتيب مقابل المسترجِعات#

على الرغم من أن كلا المكوّنين يهدفان إلى العثور على بيانات ذات صلة، فإن لكل منهما غرضًا مميزًا في مسارات عمل التعلم الآلي (ML).

• صُممت المسترجِعات لتحقيق قابلية التوسع. فهي تضغط البيانات في صورة تمثيلات متجهية ثابتة الحجم، ما يتيح لها البحث في ملايين العناصر خلال أجزاء من الألف من الثانية. غير أن هذا الضغط قد يؤدي إلى فقدان التفاصيل الدقيقة.
• صُممت نماذج إعادة الترتيب لتحقيق الدقة. فهي بطيئة جدًا بحيث لا يمكن تشغيلها على قاعدة بيانات كاملة، لكنها فعالة للغاية على مجموعات فرعية صغيرة. وهي تقدم «رأيًا ثانيًا» يصحح الأخطاء التي ارتكبتها مرحلة الاسترجاع السريع.

التطبيقات الواقعية#

تُعد نماذج إعادة الترتيب ضرورية في مختلف أنظمة الذكاء الاصطناعي عالية الأداء، إذ تسد الفجوة بين البحث الواسع والفهم الدقيق.

التوليد المعزز بالاسترجاع (RAG)#

في التوليد المعزز بالاسترجاع (RAG)، يجيب LLM عن الأسئلة استنادًا إلى بيانات خارجية. وإذا مررت مرحلة الاسترجاع مستندات غير ذات صلة إلى LLM، فقد يهلوس النموذج أو يقدم إجابات غير صحيحة. ويعمل نموذج إعادة الترتيب كمرشح للجودة، إذ يضمن إرسال الأجزاء النصية الأكثر صلة فقط إلى المُولِّد. وهذا يحسن الصحة الواقعية للاستجابة ويقلل استخدام نافذة السياق.

اكتشاف الكائنات والكبت غير الأقصى#

في الرؤية الحاسوبية، يُستخدم مفهوم مشابه لإعادة الترتيب أثناء الاستدلال. إذ تُنشئ نماذج مثل YOLO26 آلاف مربعات الإحاطة المرشحة للكائنات الموجودة في الصورة. وتعمل عملية تُسمى الكبت غير الأقصى (NMS) كنموذج لإعادة الترتيب. فهي ترتب المربعات وفق درجات الثقة الخاصة بها، وتزيل التنبؤات الزائدة والمتداخلة باستخدام التقاطع على الاتحاد (IoU). ويضمن ذلك ألا يحتوي الناتج النهائي إلا على أفضل اكتشاف واحد لكل كائن.

يوضح مثال Python التالي كيفية عمل معلمات NMS كمرشح لإعادة الترتيب أثناء الاستدلال باستخدام ultralytics.

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference with NMS settings acting as the 'reranker'
# 'iou' controls the overlap threshold for suppressing duplicate candidates
# 'conf' sets the minimum confidence score required to be considered
results = model.predict("https://ultralytics.com/images/bus.jpg", iou=0.5, conf=0.25)

# Show the filtered, high-relevance detections
results[0].show()

تخصيص التجارة الإلكترونية#

يستخدم كبار تجار التجزئة عبر الإنترنت مثل Amazon نماذج إعادة الترتيب لتخصيص نتائج البحث. فإذا بحث مستخدم عن «أحذية رياضية»، يعثر المسترجِع على آلاف الأحذية. ثم يرتب نموذج إعادة الترتيب هذه النتائج استنادًا إلى سجل مشتريات المستخدم السابق، والاتجاهات الحالية، وهوامش الربح، واضعًا في أعلى الصفحة العناصر التي يُرجح أن يشتريها المستخدم.

تحسين مسارات عمل إعادة الترتيب#

يتطلب تطبيق نموذج إعادة الترتيب تحقيق توازن بين مكاسب الدقة والتكلفة الحسابية. وبالنسبة إلى المطورين الذين يستخدمون منصة Ultralytics لتدريب النماذج ونشرها، فإن فهم المفاضلة بين تعقيد النموذج وسرعة الاستدلال أمر أساسي. وعلى الرغم من أن نموذج إعادة الترتيب الثقيل يحسن النتائج، فإنه يزيد زمن الاستجابة. ويمكن لتقنيات مثل تكميم النموذج أو تقطير المعرفة أن تساعد في تسريع نماذج إعادة الترتيب لنشرها على الأجهزة الطرفية.

لمزيد من الاستكشاف حول تحسين مسارات الاستدلال، اقرأ أدلتنا حول ضبط المعلمات الفائقة وتصدير النماذج لتحقيق أقصى أداء.