M365.FM · Polski
Dlaczego embeddingi nie wystarczą
hybrydowy RAG z BM25, rerankerem i cache semantycznym
Azure i programowanieRAGhybrydowy RAGEmbeddingsBM25RerankerAzure AI SearchCopilotwyszukiwanie wektorowe
Zbudowałeś bazę wektorową, zaindeksowałeś dokumenty i wydałeś budżet, a mimo to Twój Copilot wciąż halucynuje. Przyczyną rzadko jest model, a niemal zawsze strategia wyszukiwania: embeddingi zwracają to, co podobne, a nie to, co poprawne. Ten odcinek pokazuje, jak hybrydowa architektura RAG łącząca BM25, wyszukiwanie wektorowe i semantyczny reranking osiąga precyzję potrzebną firmom.
Obserwuj podcastNowe odcinki o Microsoft 365, Copilot i nie tylko, za darmo w Twojej aplikacji podcastowej.Spotify
▶ Dlaczego embeddingi nie wystarczą: hybrydowy RAG z BM25, rerankerem i cache semantycznym (Dubbing AI)
Czego się dowiesz:
- Pułapka top-K: dlaczego matematyczne podobieństwo to nie biznesowa trafność i dlaczego czyste wyszukiwanie wektorowe zawodzi przy kodach produktów, SKU i wewnętrznych nazwach projektów
- Hybrydowy standard: jak wyszukiwanie słów kluczowych BM25 razem z wyszukiwaniem wektorowym zwiększa recall o 17% i znajduje także branżowy żargon
- Ranking semantyczny z rerankerem L2 w Azure AI Search: modele cross-attention wywodzące się z Bing przenoszą właściwą odpowiedź z pozycji 8 na pozycję 1
- Precyzja w rozsądnej cenie: cache semantyczny ogranicza wywołania LLM o 60–80%, a reranker działa tylko przy złożonych zapytaniach
- Luka w ładzie i mapa drogowa na 2026: agentowy RAG, GraphRAG i audyt wyszukiwania jako pierwszy krok
Ten odcinek to polska wersja z dubbingiem AI animowanego wideo z M365 Show prowadzonego przez Microsoft MVP Mirko Petersa.