اكتشف كيف يعمل [reranker](ultralytics) على تحسين نتائج البحث والكشف لتحقيق أقصى دقة. تعلم كيفية تحسين سير عمل [YOLO26](ultralytics) وخطوط أنابيب RAG اليوم.
أداة إعادة الترتيب هي نموذج تعلم آلي متطور مصمم لتحسين وإعادة ترتيب قائمة العناصر المرشحة — مثل نتائج البحث أو مقاطع المستندات أو اكتشافات الكائنات — لتعظيم صلتها باستعلام أو سياق معين. في الأنظمة متعددة المراحل، يقوم "المسترجع" الأولي أولاً بجمع مجموعة واسعة من العناصر التي قد تكون مفيدة من مجموعة بيانات ضخمة. ثم يتدخل أداة إعادة الترتيب كمرحلة ثانية، حيث يقوم بإجراء تحليل عميق ومكثف حسابيًا على هذه القائمة المختصرة الأصغر لتحديد أفضل التطابقات المطلقة. من خلال تركيز الحسابات الثقيلة فقط على عدد قليل من المرشحين المختارين، يمكن للأنظمة تحقيق دقة عالية دون التضحية بالسرعة اللازمة للتطبيقات في الوقت الفعلي.
عادةً ما يعمل إعادة الترتيب ضمن خط أنابيب من مرحلتين شائع في محركات البحث والتوصية الدلالية الحديثة .
بينما يهدف كلا المكونين إلى العثور على البيانات ذات الصلة، إلا أنهما يخدمان أغراضًا مختلفة في عمليات سير عمل التعلم الآلي (ML).
تعد أدوات إعادة الترتيب ضرورية في العديد من أنظمة الذكاء الاصطناعي عالية الأداء، حيث تسد الفجوة بين البحث الواسع والفهم الدقيق .
في الاسترجاع المعزز بالإنتاج (RAG)، يجيب LLM على الأسئلة بناءً على بيانات خارجية. إذا نقلت خطوة الاسترجاع مستندات غير ذات صلة إلى LLM، فقد يحدث للطراز هلوسة أو يقدم إجابات غير صحيحة. يعمل أداة إعادة الترتيب كمرشح للجودة، مما يضمن إرسال أجزاء النص الأكثر صلة فقط إلى المنتج. وهذا يحسن صحة الرد من الناحية الواقعية ويقلل من استخدام نافذة السياق.
في الرؤية الحاسوبية، يتم استخدام مفهوم مشابه لإعادة الترتيب أثناء الاستدلال. تولد نماذج مثل YOLO26 آلاف المربعات المرشحة للأشياء الموجودة في الصورة. تعمل عملية تسمى Non-Maximum Suppression (NMS) كأداة إعادة ترتيب. تقوم بفرز المربعات حسب درجات الثقة الخاصة بها وتقوم بإزالة التوقعات الزائدة والمتداخلة باستخدام Intersection over Union (IoU). وهذا يضمن أن الناتج النهائي يحتوي فقط على أفضل اكتشاف لكل كائن.
يوضح Python التالي Python كيف تعمل NMS كمرشح إعادة ترتيب 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()
تستخدم كبرى شركات البيع بالتجزئة عبر الإنترنت مثل Amazon أدوات إعادة الترتيب لتخصيص نتائج البحث. إذا بحث المستخدم عن "أحذية رياضية"، فإن أداة البحث تجد آلاف الأحذية. ثم تقوم أداة إعادة الترتيب بفرزها بناءً على سجل مشتريات المستخدم السابقة والاتجاهات الحالية وهوامش الربح، وتضع العناصر التي من المرجح أن يشتريها المستخدم في أعلى الصفحة.
يتطلب تنفيذ إعادة الترتيب تحقيق التوازن بين مكاسب الدقة والتكلفة الحسابية. بالنسبة للمطورين الذين يستخدمون Ultralytics لتدريب النماذج ونشرها، فإن فهم المفاضلة بين تعقيد النموذج وسرعة الاستدلال أمر أساسي. في حين أن إعادة الترتيب الثقيلة تحسن النتائج، إلا أنها تضيف تأخيرًا. يمكن أن تساعد تقنيات مثل تكمية النموذج أو تقطير المعرفة في تسريع إعادة ترتيب النماذج لنشرها على الأجهزة الطرفية.
لمزيد من الاستكشاف حول تحسين مسارات الاستدلال، اقرأ أدلةنا حول ضبط المعلمات الفائقة و تصدير النماذج للحصول على أقصى أداء.
