reranking

리랭킹

1차 검색으로 얻은 후보 문서를 질문과의 관련성에 따라 다시 정렬해 검색 정확도를 높이는 단계다.

기사 3편최근 언급

reranking은 검색 시스템이 1차 검색으로 추려 낸 후보 문서들을 질문과의 관련성에 따라 다시 평가해 순서를 바꾸는 단계다. 1차 검색은 vector 유사도나 키워드 일치처럼 빠르지만 거친 방법으로 많은 후보를 모으고, reranking은 더 정교하고 비용이 큰 모델(reranker)로 적은 수의 후보를 정밀하게 평가한다. 질문과 문서를 함께 입력받아 관련도 점수를 내는 cross-encoder 방식이 널리 쓰인다.

RAG 시스템에서는 LLM에 넘길 문서를 고르는 마지막 단계로 쓰여, 관련 없는 문서가 context에 섞여 답변 품질이 떨어지는 것을 막는다. Cohere Rerank, NVIDIA NeMo Retriever의 reranking 모델처럼 상용·오픈소스 reranker가 제공된다.

이 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리했습니다. 잘못된 내용이 있으면 정정 요청으로 알려 주세요.

이 항목을 다룬 기사

  • LLM 작동 원리로 세우는 agent의 context 설계 기준AI 활용 ·

    문서 전체를 넣는 대신 embedding 모델, vector 검색, reranker로 이어지는 검색 사슬로 꼭 필요한 조각만 가져옵니다.

    기사 읽기
  • agent의 차이는 모델이 아니라 intelligence plane에서 난다AI 활용 ·

    어떻게 나아지는가 지속 학습 승인된 사람의 피드백으로 검색 reranker(검색 결과 재정렬 모델)를 갱신

    기사 읽기
  • NVIDIA Agent Toolkit, 모델 대신 harness를 고치는 이유AI 뉴스 ·

    비구조화 문서 쪽에서는 embedding과 reranking(검색 결과를 다시 정렬해 정확도를 높이는 단계) 모델에 계속 투자합니다.

    기사 읽기

설명이 잘못되었거나 찾는 항목이 없나요?

위키 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리합니다. 잘못된 설명은 정정 요청으로 알려 주시면 확인해 고칩니다. 새 기사에 나온 이름은 기사가 올라온 뒤 위키에 더해집니다.