Glossário IA
O dicionário completo da Inteligência Artificial
Reordenamento Cross-Encoder
Arquitetura de reordenamento onde o transformador processa simultaneamente a consulta e cada documento como uma única sequência de entrada para avaliar sua relevância mútua. Esta abordagem oferece alta precisão em detrimento de uma maior complexidade computacional.
Reordenamento MonoT5
Modelo de reordenamento baseado em T5 que reformula a tarefa de classificação como um problema de geração de texto usando tokens especiais 'True' e 'False'. Esta abordagem permite reordenar eficientemente os documentos recuperados explorando as capacidades de compreensão de linguagem natural.
Reordenamento ColBERT
Sistema de reordenamento baseado em interação token-level tardia que codifica documentos e consultas em vetores contextualizados para cada token. Este método captura correspondências granulares enquanto mantém uma eficiência computacional aceitável.
BGE Reordenador
Modelo de reordenamento otimizado para tarefas de pesquisa semântica, treinado em vastos corpora de dados de relevância com arquitetura cross-encoder. Ele se destaca na discriminação fina entre documentos relevantes e não relevantes para sistemas RAG.
Perda Listwise
Função de perda que otimiza diretamente a ordem completa da lista de documentos recuperados em vez de pares individuais. Esta abordagem considera a distribuição de relevância global para melhorar a qualidade do reordenamento.
Perda Pairwise
Função de treinamento que compara pares de documentos para aprender a discriminar entre um documento mais relevante e um menos relevante. Este método é particularmente eficaz para sistemas de reordenamento em aprendizado supervisionado.
Recuperação Multiestágio
Arquitetura de recuperação composta por múltiplas fases sucessivas incluindo uma recuperação inicial ampla seguida por um ou mais níveis de reordenamento progressivamente mais precisos. Esta abordagem equilibra eficiência e precisão em sistemas RAG em larga escala.
Reordenamento de Passagem
Processo de reordenamento aplicado especificamente a passagens ou segmentos de texto em vez de documentos inteiros para uma granularidade aumentada na seleção de conteúdo relevante. Esta técnica otimiza a qualidade das entradas para a geração em RAG.
Learning to Rank (LTR)
Paradigma de aprendizado de máquina aplicado à classificação de informações onde modelos são treinados para ordenar itens de acordo com sua relevância. O LTR combina diversas características para otimizar métricas de classificação como NDCG e MAP.
Neural Information Retrieval
Abordagem de recuperação de informação que utiliza redes neurais para modelar a relevância entre consultas e documentos por meio de representações vetoriais densas. Este método captura relações semânticas complexas além de simples correspondências de palavras-chave.
Dense Retrieval Reranking
Técnica de reordenamento baseada em embeddings densos que reavalia a relevância dos documentos inicialmente recuperados usando similaridades vetoriais em um espaço semântico. Este método refina os resultados da recuperação inicial para melhorar a qualidade final.
Query-Document Interaction
Mecanismo fundamental em sistemas de reordenamento que modela explicitamente as interações entre os termos da consulta e os do documento para calcular um escore de relevância. Esta abordagem captura dependências complexas além das representações independentes.
Relevance Feedback Loop
Processo iterativo onde os julgamentos de relevância sobre os resultados classificados são usados para refinar o modelo de reordenamento ou a própria consulta. Esta técnica de aprendizado adaptativo melhora continuamente o desempenho do sistema.
Attention-based Reranking
Arquitetura de reordenamento que utiliza mecanismos de atenção para identificar e ponderar as partes mais relevantes dos documentos em relação à consulta. Esta abordagem permite uma avaliação contextual refinada da relevância documental.