قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
إعادة ترتيب المشفر المتقاطع
هندسة إعادة الترتيب حيث يعالج المحول الاستعلام وكل وثيقة في وقت واحد كتسلسل إدخال واحد لتقييم علاقتهما المتبادلة. يوفر هذا النهج دقة عالية على حساب تعقيد حسابي أعلى.
إعادة ترتيب MonoT5
نموذج إعادة ترتيب قائم على T5 يعيد صياغة مهمة التصنيف كمشكلة توليد نص باستخدام الرموز الخاصة 'صحيح' و'خطأ'. يسمح هذا النهج بإعادة ترتيب الوثائق المسترجعة بكفاءة من خلال استغلال قدرات فهم اللغة الطبيعية.
إعادة ترتيب ColBERT
نظام إعادة ترتيب قائم على تفاعل متأخر على مستوى الرمز يشفر الوثائق والاستعلامات في متجهات سياقية لكل رمز. تلتقط هذه الطريقة تطابقات دقيقة مع الحفاظ على كفاءة حسابية مقبولة.
مُعيد ترتيب BGE
نموذج إعادة ترتيب مُحسّن لمهام البحث الدلالي، مُدرّب على مجموعات كبيرة من بيانات العلاقة بهندسة مشفرة متقاطعة. يتفوق في التمييز الدقيق بين الوثائق ذات العلاقة وغير ذات العلاقة لأنظمة RAG.
خسارة قائمة الحكمة
دالة خسارة تُحسّن مباشرة الترتيب الكامل لقائمة الوثائق المسترجعة بدلاً من الأزواج الفردية. يأخذ هذا النهج في الاعتبار التوزيع العالمي للعلاقة لتحسين جودة إعادة الترتيب.
خسارة الزوجية
دالة تدريب تقارن أزواج الوثائق لتتعلم التمييز بين وثيقة أكثر علاقة وأخرى أقل علاقة. هذه الطريقة فعالة بشكل خاص لأنظمة إعادة الترتيب في التعلم الخاضع للإشراف.
استرجاع متعدد المراحل
هندسة استرجاع مكونة من عدة مراحل متتالية تشمل استرجاعًا أوليًا واسعًا متبوعًا بمستوى واحد أو أكثر من إعادة الترتيب التدريجية الأكثر دقة. يوازن هذا النهج بين الكفاءة والدقة في أنظمة RAG واسعة النطاق.
إعادة ترتيب المقطع
عملية إعادة ترتيب تُطبق تحديدًا على المقاطع أو أجزاء النص بدلاً من الوثائق الكاملة لزيادة الدقة في اختيار المحتوى ذي العلاقة. تحسن هذه التقنية جودة المدخلات للتوليد في RAG.
التعلم للترتيب (LTR)
نموذج تعلم آلي يُطبق على ترتيب المعلومات حيث يتم تدريب النماذج لترتيب العناصر حسب أهميتها النسبية. يجمع LTR بين خصائص متنوعة لتحسين مقاييس الترتيب مثل NDCG و MAP.
استرجاع المعلومات العصبي
نهج استرجاع المعلومات باستخدام الشبكات العصبية لنمذجة العلاقة بين الاستعلامات والوثائق من خلال تمثيلات متجهة كثيفة. تلتقط هذه الطريقة علاقات دلالية معقدة تتجاوز مجرد تطابق الكلمات المفتاحية.
إعادة ترتيب الاسترجاع الكثيف
تقنية إعادة ترتيب تعتمد على التضمينات الكثيفة التي تعيد تقييم أهمية الوثائق المسترجعة مبدئياً باستخدام أوجه التشابه المتجهة في فضاء دلالي. تعمل هذه الطريقة على تحسين نتائج الاسترجاع الأولي لتحسين الجودة النهائية.
تفاعل الاستعلام والوثيقة
آلية أساسية في أنظمة إعادة الترتيب تُنمذج بشكل صريح التفاعلات بين مصطلحات الاستعلام وتلك الخاصة بالوثيقة لحساب درجة الأهمية. يلتقط هذا النهج علاقات معقدة تتجاوز التمثيلات المستقلة.
حلقة التغذية الراجعة للأهمية
عملية تكرارية حيث تُستخدم أحكام الأهمية على النتائج المرتبة لتحسين نموذج إعادة الترتيب أو الاستعلام نفسه. تحسن هذه التقنية التعليمية التكيفية أداء النظام بشكل مستمر.
إعادة الترتيب القائمة على الانتباه
هيكلية إعادة ترتيب تستخدم آليات الانتباه لتحديد وترجيح الأجزاء الأكثر أهمية من الوثائق بالنسبة للاستعلام. يتيح هذا النهج تقييماً سياقياً دقيقاً للأهمية الوثائقية.