Porque é que os resultados de pesquisa por IA parecem diferentes depois de uma mudança no vocabulário doméstico?
A pesquisa com IA parece muitas vezes diferente depois de uma alteração de vocabulário, porque os novos alias alteram tanto as correspondências literais como a vizinhança semântica utilizada para a ordenação.
Suponhamos que uma família comece a chamar “arrecadação” de “estúdio” e identifique uma pessoa como “Treinador” nas notas, fotografias e instruções de voz. Um serviço de pesquisa local passa agora a receber novas formas de superfície para entidades antigas em várias coleções privadas. A melhoria dos resultados depende da rapidez com que o dicionário, o índice, os embeddings e o histórico de feedback estabelecem ligações entre essas formas nos diferentes contextos da família.
Uma alteração de vocabulário afeta primeiro a recuperação de candidatos
A pesquisa começa por decidir quais os registos que merecem ser considerados. A recuperação exata e baseada em tokens pode não encontrar um documento antigo quando o novo termo da família nunca aparece nele. Um mapa de alias ou um expansor de consultas pode recuperar essa abrangência ao adicionar o termo anterior, mas isso também aumenta o conjunto de candidatos.
As orientações práticas sobre sinónimos de pesquisa descrevem os sinónimos como expressões alternativas que devem corresponder ao mesmo conceito. Num índice privado, “estúdio” e “arrecadação” só se tornam equivalentes depois de essa relação ser codificada ou aprendida.
A recuperação semântica comporta-se de forma diferente, mas não é imune. Uma nova alcunha pode ficar próxima de vários conceitos no espaço de embeddings, pelo que os candidatos aproximados podem mudar mesmo sem reindexação. A recuperação de candidatos muda primeiro; a reordenação determina depois quais desses registos recém-admitidos aparecem no topo.
A utilização repetida pode reponderar o contexto da ordenação
Alguns sistemas aprendem com cliques, correções, conversas recentes ou consultas reescritas. A utilização repetida de um termo familiar pode tornar uma interpretação mais provável, enquanto a linguagem antiga perde peso relativo. Por isso, a interface pode parecer que “compreende” a família antes de todos os documentos arquivados conterem a nova palavra.
A investigação sobre a incompatibilidade de vocabulário apresenta-a como um problema central da recuperação: os utilizadores e os documentos podem expressar a mesma intenção com termos diferentes. A expansão só melhora o acesso quando os termos adicionados preservam o significado pretendido.
O efeito é contextual, não uma atualização universal do modelo. O “Treinador” de uma pessoa pode referir-se a um familiar, a um autocarro ou a uma marca. Se a identidade, a divisão, o momento e o tipo de conteúdo não forem representados, o novo termo pode aproximar vários grupos não relacionados e reduzir a precisão.
Quando a adaptação do vocabulário deixa de ajudar
A adaptação falha quando o rótulo é ambíguo, raramente utilizado ou associado de forma inconsistente. Também não consegue recuperar registos cujo texto ou representação de imagem nunca tenha sido indexado. Mais sinónimos não melhoram automaticamente a pesquisa; uma expansão abrangente pode aumentar a recuperação e, ao mesmo tempo, empurrar o item pretendido para baixo, entre candidatos ruidosos.
Uma explicação sobre a correspondência difusa mostra por que motivo os erros ortográficos e as variantes das palavras podem ser correspondidos sem igualdade exata. Esse mecanismo trata a variação superficial, mas não fornece, por si só, o significado familiar em falta.
A explicação baseada no vocabulário também não é suficiente se a ordenação tiver mudado após uma atualização do modelo, da divisão em segmentos ou dos filtros. Uma tabela de alias fixa não consegue explicar resultados diferentes para uma consulta inalterada, a menos que outro índice ou componente de ordenação tenha mudado. São necessárias evidências de versão e de data/hora antes de atribuir causalidade à linguagem da família.
Execute um conjunto fixo de consultas antes de ensinar novos termos
Crie vinte consultas representativas que contenham termos antigos, termos novos e alcunhas ambíguas; em seguida, guarde os três itens esperados no topo para cada uma. Execute o conjunto antes e depois de adicionar um alias de cada vez, mantendo constantes o instantâneo do índice, o modelo de embeddings, os filtros e o reranker.
Mantenha o teste juntamente com a base de conhecimento local, para que as alterações de vocabulário e as avaliações de relevância permaneçam locais e possam ser revistas. Registe tanto se o item esperado foi recuperado como a sua posição final.
Se a recuperação de candidatos melhorar, mas a posição piorar, ajuste os pesos da expansão ou a reordenação. Se o item nunca entrar no conjunto de candidatos, atualize os alias ou as representações dos documentos. Se as consultas antigas e novas se desviarem sem uma alteração do vocabulário, investigue antes as alterações de versão do índice ou do modelo.
Produtos recomendados
Centro de Tecnologia e IA
Mais para Ler
Como medir a qualidade da recuperação RAG local e interpretar a cobertura da recuperação, da precisão e das citações
Crie um conjunto de teste RAG local, calcule as principais métricas de recuperação, interprete os seus compromissos e audite se as afirmações das respostas...
Porque é que a computação das funcionalidades de casa inteligente se torna mais importante à medida que aumenta o número de sensores à mesma taxa de amostragem?
Monitorize o processamento por sensor e entre sensores à medida que o número de dispositivos aumenta, identifique os custos não lineares da fusão e...
Porque é que o custo da avaliação de RAG se torna mais importante à medida que a biblioteca de documentos cresce, com o mesmo volume de consultas?
Compreenda por que o crescimento do corpus aumenta o esforço de avaliação do RAG sem mais consultas dos utilizadores e como os testes estratificados...
