Reranking: migliorare la pertinenza
In questa pagina
Obiettivi
- Comprendere perché il reranking migliora i risultati
- Implementare un reranker utilizzando un cross-encoder
- Integrare il reranking in una pipeline RAG
Il problema del Bi-Encoder
Tutta la ricerca che hai costruito finora si basa su un bi-encoder: la query e i documenti vengono codificati separatamente, ognuno per conto proprio, e confrontati tramite prodotto scalare. È questo che rende la ricerca istantanea anche su un milione di chunk, poiché i vettori del corpus sono stati calcolati una volta per tutte. È anche ciò che la rende imprecisa, perché il modello non vede mai insieme query e documento: deve riassumere ogni testo in un vettore senza sapere cosa gli verrà chiesto in seguito.
Un cross-encoder, chiamato anche reranker, prende in input la coppia (query, documento) e produce un punteggio di pertinenza molto più fine, poiché legge entrambi i testi congiuntamente e può rilevare che un documento tratta l’argomento ma in senso opposto. Questo guadagno ha un costo: il modello deve elaborare ogni documento individualmente, il che ne proibisce l’uso sull’intero corpus. La soluzione è impiegarlo dove è conveniente, su un piccolo insieme di candidati già preselezionati.
Da qui la pipeline a due stadi, dove ogni modello fa ciò che sa fare meglio: quello veloce restringe il campo, quello preciso effettua la selezione finale.
Query → Bi-encoder → Top 50 Candidati → Cross-encoder → Top 5 Risultati
Reranking con Cohere
Cohere espone tramite API un reranker ad alte prestazioni, evitando così di dover ospitare un modello. La funzione seguente concatena i due passaggi: recupera prima venti candidati tramite similarità vettoriale, poi chiede a rerank-v3.5 di mantenerne solo cinque. Nota il campo index_original preservato nel risultato: il reranker restituisce posizioni relative alla lista dei candidati e ne avrai bisogno per mappare nuovamente al documento effettivo nel tuo corpus.
import cohere
from openai import OpenAI
co = cohere.Client(api_key="your-cohere-key")
openai_client = OpenAI()
def search_and_rerank(
question: str,
documents: list[str],
embeddings_corpus,
k_retrieval: int = 20,
k_final: int = 5
) -> list[dict]:
"""Ricerca semantica + reranking."""
# Passo 1: Recupero veloce (bi-encoder)
query_emb = openai_client.embeddings.create(
input=question,
model="text-embedding-3-large"
).data[0].embedding
import numpy as np
scores = embeddings_corpus @ np.array(query_emb)
top_indices = np.argsort(scores)[-k_retrieval:][::-1]
candidates = [documents[i] for i in top_indices]
# Passo 2: Reranking (cross-encoder)
rerank_response = co.rerank(
query=question,
documents=candidates,
top_n=k_final,
model="rerank-v3.5"
)
return [
{
"text": candidates[r.index],
"rerank_score": r.relevance_score,
"original_index": int(top_indices[r.index])
}
for r in rerank_response.results
]
Reranking con un LLM
Se preferisci non aggiungere un altro provider alla tua architettura—per motivi contrattuali, localizzazione dei dati o semplicemente fatturazione—un LLM che chiami già può ricoprire questo ruolo. Invii la domanda e un documento, chiedi un punteggio da 0 a 10 e ordini. Impostando la temperatura a zero e max_tokens ridotto a cinque, ottieni un output deterministico ed economico; il blocco try/except gestisce i casi in cui il modello risponde con qualcosa di diverso da un numero.
from openai import OpenAI
client = OpenAI()
def llm_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[dict]:
"""Utilizza un LLM per valutare la pertinenza."""
scores = []
for i, doc in enumerate(candidates):
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"On a scale of 0 to 10, how relevant is this document "
f"for answering the question?\n\n"
f"Question: {question}\n\n"
f"Document: {doc}\n\n"
f"Respond only with a number between 0 and 10."
)
}],
temperature=0,
max_tokens=5
)
try:
score = float(response.choices[0].message.content.strip())
except ValueError:
score = 0.0
scores.append({"index": i, "text": doc, "score": score})
scores.sort(key=lambda x: x["score"], reverse=True)
return scores[:k]
Questa versione costa una chiamata per candidato, ovvero venti chiamate e altrettanta latenza cumulativa per una singola domanda dell’utente. In pratica, questo è proibitivo in un’interfaccia interattiva. Invece, chiediamo al modello di classificare tutti i documenti in una volta sola, presentando ogni candidato troncato a 200 caratteri e numerato, aspettandoci in ritorno solo una lista di indici.
def llm_batch_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[int]:
"""Reranking in una singola chiamata LLM."""
formatted_docs = "\n".join(
f"[{i}] {doc[:200]}" for i, doc in enumerate(candidates)
)
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Rank these documents by relevance to the question. "
f"Return the indices of the {k} most relevant "
f"documents, separated by commas, from most to "
f"least relevant.\n\n"
f"Question: {question}\n\n"
f"Documents:\n{formatted_docs}\n\n"
f"Indices (e.g., 3,1,7,0,5):"
)
}],
temperature=0,
max_tokens=50
)
indices_str = response.choices[0].message.content.strip()
return [int(i.strip()) for i in indices_str.split(",")][:k]
Integrazione nella pipeline RAG
In una pipeline completa, il reranking si inserisce tra il recupero e la generazione senza cambiare nient’altro. Il punto chiave nella classe sottostante è la soglia di 0.3 su relevance_score: permette di restituire meno di cinque contesti quando nessun candidato è veramente pertinente, invece di alimentare il generatore con rumore. Spesso questo filtro, più del reranking stesso, elimina le risposte allucinate.
class RAGPipelineWithReranking:
def __init__(self):
self.client = OpenAI()
self.co = cohere.Client()
def respond(self, question: str, chunks, embeddings_corpus):
# 1. Recupero ampio
candidates = self.search(question, embeddings_corpus, k=20)
# 2. Reranking
candidate_docs = [chunks[i]["text"] for i in candidates]
reranked = self.co.rerank(
query=question,
documents=candidate_docs,
top_n=5,
model="rerank-v3.5"
)
# 3. Selezione dei migliori
contexts = [
chunks[candidates[r.index]]
for r in reranked.results
if r.relevance_score > 0.3 # Soglia di pertinenza
]
# 4. Generazione della risposta
return self.generate(question, contexts)
Impatto del Reranking
| Metrica | Senza Reranking | Con Reranking | Guadagno |
|---|---|---|---|
| Recall@5 | 0.72 | 0.72 | = |
| Precision@5 | 0.58 | 0.78 | +34% |
| MRR | 0.65 | 0.82 | +26% |
Questi numeri dicono esattamente cosa fa un reranker. La recall non si muove, ed è logico: i candidati sono gli stessi e il cross-encoder non può salvare un documento che il bi-encoder non ha fatto emergere. Tuttavia, precisione e MRR migliorano significativamente, perché il documento giusto passa dal sesto posto al primo. Corollario pratico: se la tua recall è scarsa, il reranking non ti salverà; devi prima ampliare il recupero o rivedere il chunking.
Punti chiave
- Il reranking riordina i candidati con un modello più preciso
- Pipeline tipica: bi-encoder (top 20–50) → cross-encoder (top 5)
- Cohere rerank-v3.5 è una soluzione chiavi in mano
- Un LLM può fungere da reranker se preferisci evitare una dipendenza
- Il guadagno in precisione è significativo (tipicamente 20–35%)