Yeniden Sıralayıcı

Yeniden sıralayıcı, belirli bir sorgu veya bağlamla alaka düzeyini en üst düzeye çıkarmak için aday öğelerin (örneğin arama sonuçları, belge pasajları veya nesne algılamaları) listesini iyileştirmek ve yeniden sıralamak üzere tasarlanmış sofistike bir makine öğrenimi modelidir. Çok aşamalı sistemlerde, ilk olarak bir "geri getirici" büyük bir veri kümesinden potansiyel olarak yararlı olabilecek geniş bir öğe kümesini hızla toplar . Reranker daha sonra ikinci aşama olarak devreye girer ve bu daha küçük kısa liste üzerinde derin, hesaplama açısından yoğun bir analiz gerçekleştirerek en uygun eşleşmeleri belirler. Yoğun hesaplamaları yalnızca seçilmiş birkaç adaya odaklayarak, sistemler gerçek zamanlı uygulamalar için gerekli hızdan ödün vermeden yüksek doğruluk elde edebilir.

Yeniden Sıralayıcılar Nasıl Çalışır?

Yeniden sıralama genellikle modern anlamsal arama ve öneri motorlarında yaygın olan iki aşamalı bir süreç içinde çalışır.

• Birinci Aşama Geri Alma: Hafif bir model, büyük bir aday kümesini (örneğin, en iyi 100 belge) geri almak için tüm veritabanını tarar. Bu aşama, ilgili hiçbir öğenin kaçırılmamasını sağlamak için geri çağırmayı önceliklendirir ve genellikle yaklaşık en yakın komşu arama gibi hızlı algoritmalar kullanır. İkinci Aşama Geri Çağırma: Daha sonra, ikinci aşama geri çağırma, geri çağrılan aday kümesini daha ayrıntılı bir şekilde inceler ve daha iyi eşleşen öğeleri belirler. Bu aşama, daha iyi eşleşen öğeleri belirlemek için daha ayrıntılı bir inceleme yapar ve genellikle daha ayrıntılı bir eşleştirme algoritması kullanır.
• İkinci Aşama Yeniden Sıralama: Yeniden sıralayıcı, alınan adayları işler. Basit vektör benzerliği kullanabilen alıcıdan farklı olarak, yeniden sıralayıcı genellikle bir çapraz kodlayıcı veya güçlü bir Transformer mimarisi kullanır. Sorgu ile aday öğe arasındaki tüm etkileşimi inceler ve daha basit modellerin gözden kaçırdığı ince nüansları ve bağlamı yakalar. Çıktı, en alakalı öğelerin en üstte göründüğü yeniden sıralanmış bir listedir.

Yeniden sıralayıcılar ve geri getiriciler

Her iki bileşen de ilgili verileri bulmayı amaçlasa da, makine öğrenimi (ML) iş akışlarında farklı amaçlara hizmet ederler.

• Retriever'lar ölçeklenebilirlik için tasarlanmıştır. Verileri sabit boyutlu gömmelere sıkıştırarak milyonlarca öğeyi milisaniyeler içinde arayabilmelerini sağlar. Ancak bu sıkıştırma, ince ayrıntıları kaybedebilir.
• Yeniden sıralayıcılar hassasiyet için tasarlanmıştır. Tüm veritabanında çalıştırmak için çok yavaştırlar, ancak küçük alt kümelerde oldukça etkilidirler. Hızlı geri alma adımında yapılan hataları düzelten "ikinci bir görüş" sağlarlar.

Gerçek Dünya Uygulamaları

Yeniden sıralayıcılar, geniş arama ile kesin anlama arasındaki boşluğu doldurarak çeşitli yüksek performanslı AI sistemlerinde çok önemlidir.

Geri Alma ile Güçlendirilmiş Üretim (RAG)

Geri Arama ile Güçlendirilmiş Üretim (RAG) yönteminde, LLM dış verilere dayalı olarak soruları yanıtlar. Arama aşaması LLM'ye alakasız belgeler aktarırsa, model yanlış yanıtlar verebilir veya yanlış yanıtlar sunabilir. Yeniden sıralayıcı, kalite filtresi görevi görür ve yalnızca en alakalı metin parçalarının üreticiye gönderilmesini sağlar. Bu, yanıtın gerçek doğruluğunu artırır ve bağlam penceresi kullanımını azaltır.

Nesne Algılama ve Maksimum Baskılama

Bilgisayar görüşünde, yeniden sıralama ile benzer bir kavram çıkarım sırasında kullanılır. YOLO26 gibi modeller, bir görüntüdeki nesneler için binlerce aday sınırlayıcı kutu oluşturur. Non-Maximum Suppression (NMS) adı verilen bir süreç yeniden sıralama işlevi görür. Kutuları güven puanlarına göre sıralar ve Intersection over Union (IoU) kullanarak gereksiz, çakışan tahminleri ortadan kaldırır. Bu , nihai çıktının her nesne için yalnızca en iyi tek algılamayı içermesini sağlar. .

Aşağıdaki Python , NMS , 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()

E-Ticaret Kişiselleştirme

Amazon gibi büyük çevrimiçi perakendeciler, arama sonuçlarını özelleştirmek için yeniden sıralama araçları kullanır. Bir kullanıcı "spor ayakkabı" aradığında, arama motoru binlerce ayakkabı bulur. Yeniden sıralama aracı, bunları kullanıcının geçmiş satın alma geçmişine, güncel trendlere ve kâr marjlarına göre sıralar ve kullanıcının satın alma olasılığı en yüksek olan ürünleri sayfanın en üstüne yerleştirir.

Yeniden Sıralama İş Akışlarını Optimize Etme

Yeniden sıralama uygulamasının gerçekleştirilmesi, doğruluk kazançları ile hesaplama maliyetleri arasında denge kurulmasını gerektirir. Ultralytics kullanarak modelleri eğitmek ve dağıtmak isteyen geliştiriciler için, model karmaşıklığı ile çıkarım hızı arasındaki dengeyi anlamak çok önemlidir. Ağır bir yeniden sıralama uygulaması sonuçları iyileştirirken, gecikme süresini de artırır. Model niceleme veya bilgi damıtma gibi teknikler, uç cihazlarda dağıtım için yeniden sıralama modellerinin hızlandırılmasına yardımcı olabilir.

Çıkarım boru hatlarını optimize etme konusunda daha fazla bilgi için, hiperparametre ayarlama ve maksimum performans için model dışa aktarma kılavuzlarımızı okuyun.