[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,127 +1,156 @@
|
||||
---
|
||||
id: wiki-2026-0508-reranking
|
||||
title: Reranking
|
||||
category: AI_and_ML
|
||||
status: needs_review
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-RRK-001]
|
||||
aliases: [Cross-Encoder-Reranking, Re-Ranker, RAG-Reranking]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [auto-reinforced, reranking, information-retrieval, ranking, cross-encoder, search-optimization]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [rag, retrieval, reranking, search]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-04
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: sentence-transformers
|
||||
---
|
||||
|
||||
# [[Reranking|Reranking]]
|
||||
# Reranking
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "검색의 2차 면접: 빠른 1차 검색(Retriever)으로 선별된 수많은 후보 문서 중, 고성능 모델을 사용하여 사용자의 질문에 가장 적합한 소수의 정답 후보를 매우 정밀하게 다시 정렬하는 품질 최적화 단계."
|
||||
## 매 한 줄
|
||||
> **"매 retrieval은 recall, 매 rerank는 precision"**. Reranking은 매 first-stage retrieval (BM25/dense) 에서 매 top-k candidates를 매 expensive cross-encoder/LLM으로 매 re-score — RAG quality 의 매 single biggest lever in 2026 (Cohere Rerank 4, BGE-Reranker-v2.5, Voyage rerank-3).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
재순위화(Reranking)는 정보 검색 시스템에서 검색 결과의 정확도를 높이기 위해 수행하는 두 번째 랭킹 단계입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **왜 재순위화가 필요한가? (Two-stage Retrieval)**:
|
||||
* **1단계 (Retrieval)**: [[Vector Search|벡터 검색]]이나 [[BM25|BM25]]를 통해 수백만 개의 문서 중 수백 개의 후보를 아주 빠르게(Low Latency) 뽑아냅니다. 하지만 정밀도가 완벽하지 않을 수 있습니다.
|
||||
* **2단계 (Reranking)**: 1단계에서 뽑힌 소수의 후보들만 대상으로 무겁지만 정교한 모델을 가동하여 순위를 조정합니다.
|
||||
### 매 왜 필요
|
||||
- Bi-encoder (dense retrieval): query, doc를 매 separately encode → cosine. Fast (cached doc embeddings) but 매 shallow interaction.
|
||||
- Cross-encoder: `[query, doc]` 의 매 jointly encode → scalar score. 매 deep token-level attention → +10–30% NDCG.
|
||||
- Trade-off: O(N) cross-encoder 의 매 too slow → first-stage retrieve top-100, rerank to top-5.
|
||||
|
||||
2. **핵심 모델: [[Cross-Encoder|Cross-Encoder]]**:
|
||||
* 질문(Query)과 문서(Document)를 하나의 쌍으로 묶어 동시에 입력받아 둘 사이의 관련성을 직접 계산합니다.
|
||||
* 벡터 유사도 방식([[Bi-Encoder]])보다 훨씬 정밀하게 문맥적 일치도를 파악할 수 있습니다.
|
||||
### 매 Architectures
|
||||
- **Cross-encoder** (BERT-based): `[CLS] q [SEP] d [SEP]` → linear → score. BGE-Reranker-v2.5, Cohere Rerank 4, Voyage rerank-3.
|
||||
- **ColBERT / late interaction**: doc의 매 token-level embeddings 매 미리 계산 → query token이 매 max-sim로 score. Cross-encoder의 매 ~80% quality at retrieval-speed.
|
||||
- **LLM-as-reranker**: prompt 의 GPT-5/Claude 매 listwise rank. RankGPT, RankZephyr 매 paradigm — 매 quality 최고지만 매 가장 비쌈.
|
||||
- **RRF (Reciprocal Rank Fusion)**: cheap fusion of multiple rankers — `score(d) = Σ 1/(k+rank_i(d))`.
|
||||
|
||||
3. **학습 알고리즘 ([[Learning to Rank (LTR)|LTR]])**:
|
||||
* [[Decision Tree & XGBoost|XGBoost]], LambdaMART 등을 활용하여 사용자 클릭 데이터나 전문가 피드백을 기반으로 최적의 랭킹 모델을 훈련시킵니다.
|
||||
### 매 Hybrid Search Stack (2026 standard)
|
||||
1. BM25 (sparse) + Dense (e.g., BGE-M3) → parallel.
|
||||
2. RRF fuse → top-100.
|
||||
3. Cross-encoder rerank → top-10.
|
||||
4. (Optional) LLM rerank → top-3 for high-stakes.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **지연 시간 (Latency)**: 고성능 모델을 사용하므로 검색 속도가 느려질 수 있습니다. 따라서 랭킹 대상 문서 수를 적절히 제한(예: Top 50~100개)해야 합니다.
|
||||
* **컴퓨팅 비용**: 1단계 검색에 비해 훨씬 많은 GPU/CPU 연산 자원이 소모됩니다.
|
||||
* **데이터 의존성**: 재순위화 모델의 성능은 학습에 사용된 [[Judgment List|판단 리스트 (Judgment List)]]의 품질과 도메인 적합성에 크게 좌우됩니다.
|
||||
### 매 응용
|
||||
1. RAG 의 매 답변 정확도 ↑.
|
||||
2. E-commerce search relevance.
|
||||
3. Legal/medical document discovery (precision-critical).
|
||||
4. Code search (semantic + lexical hybrid).
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`Sentence Transformers` 라이브러리를 사용하여 검색 결과의 순위를 다시 매기는 기초 예시입니다.
|
||||
## 💻 패턴
|
||||
|
||||
### Cross-encoder rerank (sentence-transformers)
|
||||
```python
|
||||
from sentence_transformers import CrossEncoder
|
||||
|
||||
# 1. 고성능 재순위화 모델 로드
|
||||
model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
|
||||
reranker = CrossEncoder("BAAI/bge-reranker-v2.5-gemma2-lightweight")
|
||||
|
||||
# 2. 1차 검색 결과 (질문 - 문서 쌍)
|
||||
query = "Astra 프로젝트의 장점이 뭐야?"
|
||||
candidates = [
|
||||
"Astra는 자율적으로 지식을 보강하는 엔진을 가지고 있습니다.",
|
||||
"아스트라제네카 백신은 코로나 예방에 효과적입니다.", # 오답 후보 (키워드 일치)
|
||||
"P-Reinforce 표준은 위키 구조화를 돕습니다."
|
||||
]
|
||||
|
||||
# 3. 재순위화 점수 계산
|
||||
scores = model.predict([(query, doc) for doc in candidates])
|
||||
|
||||
# 4. 점수 높은 순으로 결과 재정렬
|
||||
reranked_results = sorted(zip(candidates, scores), key=lambda x: x[1], reverse=True)
|
||||
|
||||
for doc, score in reranked_results:
|
||||
print(f"Score: {score:.4f} | Content: {doc}")
|
||||
def rerank(query: str, candidates: list[str], top_k: int = 5):
|
||||
pairs = [[query, doc] for doc in candidates]
|
||||
scores = reranker.predict(pairs) # numpy array
|
||||
ranked = sorted(zip(candidates, scores), key=lambda x: -x[1])
|
||||
return ranked[:top_k]
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **기반 단계**: [[Information Retrieval (IR)|Information Retrieval (IR)]], [[Vector Search|Vector Search]]
|
||||
* **핵심 모델**: [[Cross-Encoder|Cross-Encoder]], [[Learning to Rank (LTR)|Learning to Rank (LTR)]]
|
||||
* **활용 아키텍처**: [[Retrieval-Augmented Generation (RAG)|Advanced RAG]]
|
||||
### Cohere Rerank API
|
||||
```python
|
||||
import cohere
|
||||
co = cohere.Client()
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def cohere_rerank(query: str, docs: list[str], top_n: int = 5):
|
||||
resp = co.rerank(
|
||||
model="rerank-v4.0",
|
||||
query=query, documents=docs, top_n=top_n,
|
||||
)
|
||||
return [(docs[r.index], r.relevance_score) for r in resp.results]
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Reciprocal Rank Fusion
|
||||
```python
|
||||
def rrf(rankings: list[list[str]], k: int = 60) -> list[str]:
|
||||
"""rankings: list of ranked doc-id lists from different retrievers."""
|
||||
scores: dict[str, float] = {}
|
||||
for ranking in rankings:
|
||||
for rank, doc_id in enumerate(ranking):
|
||||
scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank + 1)
|
||||
return sorted(scores, key=scores.get, reverse=True)
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Hybrid retrieve + rerank pipeline
|
||||
```python
|
||||
def hybrid_rag(query: str, k_first=100, k_final=5):
|
||||
bm25_hits = bm25.search(query, top_k=k_first)
|
||||
dense_hits = dense_index.search(query, top_k=k_first)
|
||||
fused = rrf([bm25_hits, dense_hits])[:k_first]
|
||||
docs = [load_doc(d) for d in fused]
|
||||
return rerank(query, docs, top_k=k_final)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### LLM-as-reranker (listwise)
|
||||
```python
|
||||
def llm_rerank(query: str, docs: list[str]) -> list[int]:
|
||||
numbered = "\n".join(f"[{i}] {d[:300]}" for i, d in enumerate(docs))
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7", max_tokens=200,
|
||||
messages=[{"role": "user", "content":
|
||||
f"Query: {query}\nDocs:\n{numbered}\nReturn comma-separated indices best→worst."}],
|
||||
).content[0].text
|
||||
return [int(x) for x in resp.strip().split(",")]
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### ColBERT late-interaction (RAGatouille)
|
||||
```python
|
||||
from ragatouille import RAGPretrainedModel
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
rag = RAGPretrainedModel.from_pretrained("colbert-ir/colbertv2.5")
|
||||
rag.index(collection=docs, index_name="my-index")
|
||||
results = rag.search(query="foo", k=10)
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Cost-sensitive RAG | BM25 + dense → RRF (no rerank) |
|
||||
| Quality > latency | Hybrid + cross-encoder rerank |
|
||||
| Highest quality | + LLM rerank top-20 → top-3 |
|
||||
| 거대 corpus (>10M docs) | ColBERT for second stage |
|
||||
| Multilingual | BGE-Reranker-v2.5 / Cohere rerank-v4 |
|
||||
|
||||
**기본값**: BM25 + BGE-M3 dense → RRF top-100 → BGE-Reranker-v2.5 top-5.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Information-Retrieval]] · [[RAG]]
|
||||
- 변형: [[Cross-Encoder]] · [[ColBERT]] · [[RRF]]
|
||||
- 응용: [[Question-Answering]] · [[Semantic-Search]] · [[Hybrid-Search]]
|
||||
- Adjacent: [[BM25]] · [[Dense-Retrieval]] · [[Embeddings]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: high-stakes RAG (legal/medical/finance), small candidate set, listwise.
|
||||
**언제 X**: 매 latency budget < 100ms, 매 large k (cost), 매 simple FAQ chat (overkill).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Rerank without first-stage filter**: O(N) on full corpus → cost explosion.
|
||||
- **Cross-encoder for indexing**: 매 doc embeddings 의 매 cache 의 X — 매 query마다 recompute.
|
||||
- **Pointwise LLM rerank**: 매 doc 별 separate call → listwise보다 매 비싸고 inconsistent.
|
||||
- **Ignoring score calibration**: cross-encoder score는 매 not probability — threshold 매 dataset-specific tuning 필요.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Cohere docs, BGE paper, ColBERT v2.5, RankGPT/RankZephyr).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full rewrite as canonical for cross-encoder/ColBERT/RRF/LLM rerank |
|
||||
|
||||
Reference in New Issue
Block a user