Antigravity Agent
0441f6e2a2
- Formalized automatic record migration protocol in System Manual. - Integrated high-density knowledge for RAG, AI, Business Strategy, and Leadership. - Enhanced graph connectivity across core strategic hubs. - Archived raw data and updated timeline records.
67 lines
3.7 KiB
Markdown
67 lines
3.7 KiB
Markdown
---
|
|
id: [[P-Reinforce|P-Reinforce]]-AUTO-RRK-001
|
|
category: AI_and_ML
|
|
confidence_score: 1.00
|
|
tags: [auto-reinforced, reranking, information-retrieval, ranking, cross-encoder, search-optimization]
|
|
last_reinforced: 2026-05-04
|
|
---
|
|
|
|
# [[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."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
재순위화(Reranking)는 정보 검색 시스템에서 검색 결과의 정확도를 높이기 위해 수행하는 두 번째 랭킹 단계입니다.
|
|
|
|
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.
|
|
|
|
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.
|
|
|
|
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.
|
|
|
|
## ⚖️ Trade-offs & Caveats
|
|
* **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.
|
|
|
|
## 💻 실전 구현 코드 (Boilerplate)
|
|
`Sentence Transformers` 라이브러리를 사용하여 검색 결과의 순위를 다시 매기는 기초 예시입니다.
|
|
|
|
```python
|
|
from sentence_transformers import CrossEncoder
|
|
|
|
# 1. 고성능 재순위화 모델 로드
|
|
model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
|
|
|
|
# 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}")
|
|
```
|
|
|
|
## 🔗 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]]
|
|
|
|
---
|
|
*Last updated: 2026-05-04*
|