पुनर्प्राप्त परिणामों की पुनः-रैंकिंग
संदर्भ LLM को भेजने से पहले क्रॉस-एन्कोडर मॉडल से प्रारंभिक वेक्टर खोज के उम्मीदवारों की पुनः-रैंकिंग करके RAG की सटीकता बढ़ाएँ
पुनर्प्राप्त परिणामों की पुनः-रैंकिंग, CoddyKit पर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector का एक निःशुल्क पाठ है। यह 4 में से 4वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
पुनः-क्रम निर्धारण का विचार
वेक्टर खोज तेज़, लेकिन अनुमानित होती है। पुनः-क्रम निर्धारण शीर्ष उम्मीदवारों को लेकर अधिक सटीक, धीमे मॉडल से उनका क्रम बदलता है—इसे पहले पुनर्प्राप्ति, फिर पुनः-क्रम निर्धारण की दो-चरणीय प्रक्रिया कहते हैं।
Bi-Encoder बनाम Cross-Encoder
Bi-encoders क्वेरी और दस्तावेज़ की एम्बेडिंग अलग-अलग बनाते हैं (तेज़, पुनर्प्राप्ति के लिए उपयोगी)। Cross-encoders क्वेरी और दस्तावेज़ को साथ में अंक देते हैं (धीमे, लेकिन कहीं अधिक सटीक)—छोटे समूह का पुनः-क्रम निर्धारण करने के लिए आदर्श।
दो-चरणीय कार्यप्रवाह
चरण 1: वेक्टर डेटाबेस से शीर्ष 50 परिणाम पुनर्प्राप्त करें। चरण 2: उन 50 का पुनः-क्रम निर्धारण करके शीर्ष 5 रखें। आपको वेक्टर-खोज जैसी लगभग गति पर Cross-Encoder गुणवत्ता मिलती है।
candidates = vector_db.search(query, k=50)
ranked = reranker.rank(query, candidates)
top = ranked[:5]Cross-Encoder का उपयोग
Cross-Encoder जोड़े लेकर प्रासंगिकता अंक देता है। अधिक अंक का अर्थ अधिक प्रासंगिकता है।
from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
scores = model.predict([(query, doc) for doc in candidates])अंकों के आधार पर क्रमबद्ध करना
हर दस्तावेज़ को उसके अंक के साथ जोड़े और अंतिम क्रम बनाने के लिए घटते क्रम में क्रमबद्ध करें।
ranked = sorted(zip(candidates, scores), key=lambda x: x[1], reverse=True)
for doc, score in ranked[:5]:
print(round(score, 3), doc[:40])होस्ट की गई पुनः-क्रम निर्धारण API
Cohere Rerank और Jina जैसी सेवाएँ API के माध्यम से होस्ट किए गए पुनः-क्रम निर्धारक उपलब्ध कराती हैं, जिससे मॉडल को स्वयं होस्ट करने की आवश्यकता नहीं रहती।
POST /v1/rerank
{ "query": "...", "documents": [...], "top_n": 5 }उम्मीदवारों की संख्या चुनना
इतने उम्मीदवार पुनर्प्राप्त करें कि सही सर्वोत्तम उत्तर समूह में शामिल हो (उच्च रिकॉल), लेकिन इतने अधिक भी नहीं कि पुनः-क्रम निर्धारण धीमा हो जाए। 20–100 सामान्य संख्या है।
विलंबता के समझौते
पुनः-क्रम निर्धारण उम्मीदवारों की संख्या के अनुपात में विलंबता बढ़ाता है। परिणामों को कैश करें, Cross-Encoder कॉल को बैच में चलाएँ और उम्मीदवारों की संख्या को अपने SLA के अनुसार समायोजित करें।
पुनः-क्रम निर्धारण और फ़िल्टर
पुनर्प्राप्ति के दौरान मेटाडेटा फ़िल्टर लागू करें, फिर केवल फ़िल्टर किए गए समूह का पुनः-क्रम निर्धारण करें। इससे पुनः-क्रम निर्धारक का ध्यान मान्य उम्मीदवारों पर ही रहता है।
लाभ का मापन
लेबल किए गए समूह पर पुनः-क्रम निर्धारण के साथ और उसके बिना nDCG या सफलता दर की तुलना करें। शोरयुक्त संग्रहों पर पुनः-क्रम निर्धारण सामान्यतः सटीकता में बड़ा सुधार लाता है।
इसे कब छोड़ें
यदि आपका संग्रह छोटा और स्वच्छ है या विलंबता अत्यंत महत्वपूर्ण है, तो साधारण वेक्टर खोज पर्याप्त हो सकती है। पुनः-क्रम निर्धारण का लाभ बड़े और विविध डेटा-समुच्चयों पर सबसे अधिक मिलता है।
त्वरित जाँच
पुनः-क्रम निर्धारण के बारे में अपना ज्ञान जाँचें।
पुनरावलोकन
आपने पहले पुनर्प्राप्ति, फिर पुनः-क्रम निर्धारण की प्रक्रिया, Bi-Encoder और Cross-Encoder के बीच अंतर, उम्मीदवारों को अंक देने और क्रमबद्ध करने का तरीका, तथा पुनः-क्रम निर्धारण की विलंबता लागत कब उचित होती है, यह सीखा।
एआई शिक्षक के साथ वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 12
- पाठ
- 48
अक्सर पूछे जाने वाले प्रश्न
क्या “पुनर्प्राप्त परिणामों की पुनः-रैंकिंग” पाठ निःशुल्क है?
हाँ — वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “पुनर्प्राप्त परिणामों की पुनः-रैंकिंग” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“पुनर्प्राप्त परिणामों की पुनः-रैंकिंग” में मैं क्या सीखूँगा?
संदर्भ LLM को भेजने से पहले क्रॉस-एन्कोडर मॉडल से प्रारंभिक वेक्टर खोज के उम्मीदवारों की पुनः-रैंकिंग करके RAG की सटीकता बढ़ाएँ आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 4वाँ पाठ है।
“पुनर्प्राप्त परिणामों की पुनः-रैंकिंग” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- क्वेरी रूपांतरण तकनीकें
- बहु-चरणीय RAG कार्यप्रवाह
- RAG प्रणाली के प्रदर्शन का मूल्यांकन
- पुनर्प्राप्त परिणामों की पुनः-रैंकिंग