Yeniden Sıralayıcı

Yeniden sıralayıcı, çok aşamalı bilgi sistemlerinde bir bilginin sıralamasını iyileştirmek ve geliştirmek için kullanılan sofistike bir modeldir. ilk aday listesi. Retriever olarak bilinen birincil sistem, geniş bir potansiyel kümesini hızlı bir şekilde toplarken İlgili öğeler, yeniden sıralayıcı bu daha küçük üzerinde daha ayrıntılı ve hesaplama açısından yoğun bir analiz gerçekleştirir, önceden filtrelenmiş set. Amacı, en alakalı olanları en üste yerleştirmek için bu öğeleri yeniden sıralamak ve nihai çıktının kesinliği ve geri çağırması. Bu İki aşamalı süreç, sistemlerin hız ve doğruluk arasında denge kurmasını sağlayarak yüksek kaliteli sonuçları verimli bir şekilde sunar.

Yeniden Sıralayıcılar Nasıl Çalışır

Yeniden sıralama tipik olarak modern dünyada yaygın olan iki aşamalı bir mimari içerir anlamsal arama ve öneri sistemleri:

1. Birinci Aşama Geri Getirme: Hızlı ancak daha az hassas bir model (retriever) büyük bir veri tabanını tarayarak geniş bir aday öğe kümesini hızlı bir şekilde bulmak. İçinde bilgisayar görüşü, bu bir başlangıç olabilir çok sayıda potansiyel üreten model nesneler için sınırlayıcı kutular. Buradaki öncelik şudur Yüksek hatırlama - ilgili hiçbir öğenin atlanmadığından emin olma.
2. İkinci Aşama Yeniden Sıralama: İlk aday kümesi daha sonra yeniden sıralayıcıya aktarılır. Bu genellikle daha karmaşık ve güçlü bir model, örneğin Transformatör tabanlı sinir ağı. Reranker ince bağlamı, anlamsal ilişkileri ve karmaşık özellikleri göz önünde bulundurarak adayları daha ayrıntılı bir şekilde inceler birinci aşama geri getiricinin hız için göz ardı ettiği. Daha sonra her biri için yeni, daha doğru bir alaka düzeyi puanı hesaplar. öğesini seçer ve listeyi buna göre yeniden sıralar.

Bu yaklaşım hesaplama açısından verimlidir çünkü pahalı yeniden sıralama modeli sadece küçük bir alt kümeyi işler. toplam veri, daha hızlı geri getirici tarafından zaten filtrelenmiştir.

Yeniden Sıralayıcılar ve İlk Aşama Getiriciler

Yeniden sıralayıcılar ve ilk aşama getiricileri birbirinden ayırmak önemlidir.

• Birinci Aşama Retriever: Hız ve hatırlama için optimize edilmiştir. Görevi, geniş bir yelpazede hızlıca eleme yapmaktır. miktarda veri ve geniş, kapsayıcı bir aday listesi oluşturur. Anahtar kelime gibi daha basit puanlama yöntemleri kullanır eşleştirme veya temel yerleştirmeler.
• Reranker: Hassasiyet ve alaka düzeyi için optimize edilmiştir. Retriever'dan yönetilebilir listeyi alır ve nihai, son derece doğru bir sıralama üretmek için derin, bağlama duyarlı analiz uygular. Daha yavaş ve daha yoğun kaynak gerektirir ancak çok daha küçük bir veri kümesi üzerinde çalışır.

Özünde, toplayıcı geniş bir ağ atarken, yeniden toplayıcı en değerli olanı bulmak için avı dikkatle inceler. eşyalar.

Uygulamalar ve Örnekler

Yeniden sıralayıcılar, birçok son teknoloji ürünü üründe kritik bir bileşendir Yapay Zeka (AI) uygulamalar:

• Web Arama Motorları: Gibi şirketler Google ve Microsoft Bing, yeniden sıralayıcıların çok önemli bir rol oynadığı çok aşamalı sıralama sistemleri kullanır Rol. İlk erişim binlerce sayfayı getirdikten sonra, sofistike bir yeniden sıralayıcı kullanıcı gibi faktörleri analiz eder En alakalı sonuçları sunmak için amaç ve içerik kalitesi. Bu, modern teknolojinin temel bir parçasıdır. bilgi erişim araştırması.
• E-ticaret Platformları: Amazon gibi siteler reranker'ları kullanarak Ürün arama sonuçlarını hassaslaştırın. İlk arama tüm "koşu ayakkabılarını" gösterebilir, ancak yeniden arama Bir kullanıcının satın alma olasılığının en yüksek olduğu ürünleri göstermek için kullanıcı yorumlarını, satın alma geçmişini ve marka popülerliğini analiz etmek, bir konu Amazon Science tarafından ayrıntılı olarak incelenmiştir.
• Geri Alım-Artırılmış Üretim (RAG): Kullanılan sistemlerde Büyük Dil Modelleri (LLM'ler), RAG ilk olarak ilgili bir bilgi tabanından belgeler. Daha sonra bir reranker bu belgeleri elden geçirerek gerçeklere en uygun belgelerin bulunmasını sağlar. ve bağlamsal olarak ilgili bilgiler LLM, kaliteyi önemli ölçüde artırıyor oluşturulan yanıtın. Cohere Rerank API gibi hizmetler bu amaç için özel olarak tasarlanmıştır.
• Bilgisayarlı Görüde Analoji: Aşağıdaki gibi işlem sonrası teknikleri Maksimum Olmayan Bastırma (NMS) gibi nesne algılama modelleri Ultralytics YOLO11 aynı temel felsefeyi paylaşmaktadır. An nesne algılayıcı ilk olarak birçok potansiyel sınırlayıcı kutu önerir. NMS daha sonra bunları değerlendirerek bir yeniden sıralayıcı görevi görür güven puanlarına ve örtüşmelerine göre adaylar (IoU), sadece en iyilerini korumak için gereksiz kutuları bastırır. Bu iyileştirme, doğru tahminler için çok önemlidir. Performans kıyaslamalarını inceleyebilir ve şunları bulabilirsiniz Bu modeller için model eğitim ipuçları.

Aşağıdaki kod, sınırlayıcı kutular için bir yeniden sıralayıcı olarak hareket eden NMS'nin çıkarım sırasında nasıl yapılandırılabileceğini göstermektedir bir ultralytics Model.

from ultralytics import YOLO

# Load an official YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image with custom NMS settings
# The 'iou' threshold filters out boxes with high overlap, similar to how a
# reranker removes less relevant, redundant items from a list.
results = model.predict("path/to/image.jpg", iou=0.5, conf=0.25)

# Print the results
results[0].show()