Reranker

Reranker, belirli bir sorgu veya bağlam için uygunluğu en üst düzeye çıkarmak amacıyla arama sonuçları, belge pasajları veya nesne tespitleri gibi aday öğeler listesini iyileştirmek ve yeniden sıralamak için tasarlanmış gelişmiş bir makine öğrenimi modelidir. Çok aşamalı sistemlerde, bir "retriever" (getirici) önce devasa bir veri kümesinden potansiyel olarak yararlı öğelerden oluşan geniş bir seti hızla toplar. Reranker daha sonra ikinci bir aşama olarak devreye girer ve mutlak en iyi eşleşmeleri belirlemek için bu daha küçük kısa listede derin, hesaplama açısından yoğun bir analiz gerçekleştirir. Yoğun hesaplamayı yalnızca seçili birkaç aday üzerinde odaklayarak, sistemler gerçek zamanlı uygulamalar için gereken hızdan ödün vermeden yüksek doğruluk elde edebilir.

Link to this sectionReranker'lar Nasıl Çalışır#

Yeniden sıralama (reranking), modern anlamsal arama ve öneri motorlarında yaygın olan iki aşamalı bir işlem hattı içinde çalışır.

• İlk Aşama Getirme (Retrieval): Hafif bir model, geniş bir aday kümesi (örneğin ilk 100 belge) elde etmek için tüm veritabanını tarar. Bu aşama, hiçbir ilgili öğenin kaçırılmadığından emin olmak için hatırlama oranına öncelik verir ve genellikle yaklaşık en yakın komşu araması gibi hızlı algoritmalar kullanır.
• İkinci Aşama Yeniden Sıralama (Reranking): Reranker, getirilen adayları işler. Basit vektör benzerliği kullanabilen retriever'ın aksine, reranker genellikle bir cross-encoder veya güçlü bir Transformer mimarisi kullanır. Sorgu ile aday öğe arasındaki tam etkileşimi inceler, daha basit modellerin gözden kaçırdığı ince nüansları ve bağlamı yakalar. Çıktı, en ilgili öğelerin üstte göründüğü yeniden sıralanmış bir listedir.

Link to this sectionReranker'lar ve Retriever'lar#

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

• Retriever'lar ölçeklenebilirlik için oluşturulmuştur. Verileri sabit boyutlu gömülmelere (embeddings) sıkıştırarak milyonlarca öğeyi milisaniyeler içinde aramalarına olanak tanır. Ancak bu sıkıştırma, ince ayrıntıların kaybolmasına neden olabilir.
• Reranker'lar hassasiyet için oluşturulmuştur. Tüm bir veritabanında çalışamayacak kadar yavaştırlar ancak küçük alt kümelerde son derece etkilidirler. Hızlı getirme adımının yaptığı hataları düzelten bir "ikinci görüş" sağlarlar.

Link to this sectionGerçek Dünya Uygulamaları#

Reranker'lar, geniş arama ile kesin anlama arasındaki boşluğu doldurarak çeşitli yüksek performanslı AI sistemlerinde temel bir rol oynar.

Link to this sectionRetrieval-Augmented Generation (RAG)#

Retrieval-Augmented Generation (RAG) içinde bir LLM, soruları harici verilere dayanarak yanıtlar. Getirme adımı LLM'ye ilgisiz belgeler gönderirse, model halüsinasyon görebilir veya yanlış yanıtlar verebilir. Bir reranker, kalite filtresi görevi görerek yalnızca en alakalı metin parçalarının oluşturucuya gönderilmesini sağlar. Bu, yanıtın olgusal doğruluğunu artırır ve bağlam penceresi kullanımını azaltır.

Link to this sectionNesne Tespiti ve Non-Maximum Suppression#

Bilgisayarlı görü alanında, çıkarım sırasında yeniden sıralamaya benzer bir kavram kullanılır. YOLO26 gibi modeller, bir görüntüdeki nesneler için binlerce aday sınırlayıcı kutu (bounding box) oluşturur. Non-Maximum Suppression (NMS) adı verilen bir süreç, bir reranker gibi davranır. Kutuları güven puanlarına göre sıralar ve Intersection over Union (IoU) kullanarak gereksiz, örtüşen tahminleri eler. Bu, nihai çıktının her nesne için yalnızca en iyi tek tespiti içermesini sağlar.

Aşağıdaki Python örneği, ultralytics ile çıkarım sırasında NMS parametrelerinin nasıl bir yeniden sıralama filtresi olarak işlev gördüğünü gösterir.

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()

Link to this sectionE-Ticaret Kişiselleştirme#

Amazon gibi büyük çevrimiçi perakendeciler, arama sonuçlarını uyarlamak için reranker kullanır. Bir kullanıcı "spor ayakkabı" araması yaparsa, retriever binlerce ayakkabı bulur. Reranker daha sonra bunları kullanıcının geçmiş satın alma geçmişine, güncel trendlere ve kar marjlarına göre sıralayarak, kullanıcının satın alma olasılığı en yüksek olan öğeleri sayfanın en üstüne yerleştirir.

Link to this sectionYeniden Sıralama İş Akışlarını Optimize Etme#

Bir reranker uygulamak, doğruluk kazanımlarını hesaplama maliyetiyle dengelemeyi gerektirir. Modelleri eğitmek ve dağıtmak için Ultralytics Platform kullanan geliştiriciler için model karmaşıklığı ile çıkarım hızı arasındaki ödünleşimi anlamak çok önemlidir. Ağır bir reranker sonuçları iyileştirse de gecikme süresini artırır. Model nicelleştirme (quantization) veya bilgi damıtma (knowledge distillation) gibi teknikler, yeniden sıralama modellerini uç cihazlarda dağıtım için hızlandırmaya yardımcı olabilir.

Çıkarım işlem hatlarını optimize etmeyi daha derinlemesine incelemek için hiperparametre ayarlama ve maksimum performans için modelleri dışa aktarma hakkındaki kılavuzlarımızı okuyabilirsin.