Digital Transformation
Reranking Model (Model Pemeringkat Ulang Hasil Pencarian)
Reranking model adalah lapisan kedua di sistem pencarian atau RAG yang menyusun ulang kandidat hasil dari retriever awal supaya yang paling relevan naik ke atas sebelum dikirim ke LLM atau pengguna.
TL;DR: Reranking model adalah model kecil khusus yang menyusun ulang kandidat dokumen yang dikembalikan oleh retriever awal (misalnya vector database), berdasarkan relevansi terhadap pertanyaan asli. Tanpa reranker, sistem RAG sering memilih dokumen yang mirip secara vektor tapi tidak menjawab pertanyaan, sehingga jawaban AI menjadi melenceng.
Apa itu Reranking Model?
Reranking model bekerja sebagai lapisan kedua di sistem pencarian semantik atau Retrieval-Augmented Generation. Retriever awal cepat tetapi kasar, biasanya mengambil 50 sampai 200 kandidat. Reranker membaca pertanyaan dan setiap kandidat secara berpasangan, lalu memberi skor relevansi yang lebih akurat. Hasil akhir, biasanya 5 sampai 10 dokumen teratas, dikirim ke LLM untuk menyusun jawaban. Reranker sering memakai arsitektur cross-encoder yang lebih lambat tapi jauh lebih presisi dibanding embedding bi-encoder.
Cara Kerja: Two-Stage Retrieval
| Tahap | Mesin | Kecepatan | Akurasi | Tujuan |
|---|---|---|---|---|
| 1. Retrieve | Vector DB / BM25 | Sangat cepat | Sedang | Saring jadi 50-200 kandidat |
| 2. Rerank | Cross-encoder | Lebih lambat | Tinggi | Pilih 5-10 paling relevan |
Pola ini disebut two-stage retrieval. Tanpa tahap rerank, jawaban AI cenderung dangkal karena bahan baku konteksnya kurang fokus. Lihat juga RAG Chunking untuk konteks pemenggalan dokumen.
Kenapa Penting?
Untuk brand di Indonesia yang membangun chatbot atau asisten internal, kualitas reranking sering menjadi pembeda antara jawaban AI yang dipakai tim atau diabaikan. Dari pengalaman membantu klien membangun knowledge base, menambahkan reranker yang tepat bisa mengurangi jawaban tidak relevan dalam kisaran 20-40%, walau angka ini bervariasi tergantung kualitas dokumen sumber dan ukuran sample. Reranker juga membantu menekan halusinasi karena LLM menerima konteks yang lebih bersih.
Pertanyaan Umum
Apakah reranker sama dengan retriever?
Tidak. Retriever mencari kandidat luas dari basis dokumen. Reranker menyusun ulang kandidat tersebut berdasarkan relevansi yang lebih halus. Keduanya saling melengkapi.
Apakah reranker selalu wajib?
Tidak selalu. Untuk basis dokumen kecil di bawah seribu dokumen, retriever vektor saja sering cukup. Begitu skala tumbuh dan pertanyaan jadi lebih beragam, reranker biasanya memberi nilai signifikan.
Istilah Terkait