Digital Transformation
Vector Rerank (Pengurutan Ulang Hasil Vektor)
Vector Rerank adalah tahap kedua di pipeline pencarian AI yang mengurutkan ulang hasil retrieval awal pakai model lebih kuat agar konten paling relevan muncul di context window LLM.
TL;DR: Vector Rerank adalah proses pengurutan ulang hasil pencarian semantik di tahap kedua pipeline retrieval. Setelah vector search awal mengambil ratusan kandidat, model rerank memilih 5 sampai 20 yang paling relevan untuk dimasukkan ke context window LLM. Untuk marketer Indonesia di 2026, memahami rerank penting karena posisi konten Anda di rerank menentukan apakah AI Search benar-benar mengutip Anda atau hanya membaca kompetitor.
Apa itu Vector Rerank?
Vector Rerank adalah lapisan kedua di sistem pencarian AI modern. Sistem retrieval awal, biasanya pakai [[Vector Embedding](/glosarium/vector-embedding)](/glosarium/vector-embedding-seo), mengambil 100 sampai 500 dokumen yang secara matematis mirip dengan pertanyaan pengguna. Tapi mirip secara vektor tidak selalu berarti paling menjawab pertanyaan. Model rerank, yang umumnya lebih kecil dan dilatih khusus untuk relevance scoring, membaca pasangan kueri dan kandidat satu per satu lalu memberi skor baru. Hasilnya, urutan akhir yang masuk ke Context Window LLM jauh lebih tajam.
Analogi sederhananya, retrieval awal mirip mesin pencari yang lemparnya banyak, sedangkan rerank mirip editor yang baca ulang dan memilih mana yang benar-benar layak dikutip.
Cara Kerja Vector Rerank di AI Search
| Tahap | Aksi | Output |
|---|---|---|
| Retrieval | Vector search ambil top-N kandidat | 100 sampai 500 dokumen |
| Rerank | Cross-encoder skor pasangan kueri-dokumen | Top 5 sampai 20 dokumen |
| Generation | LLM baca konteks akhir, susun jawaban | Jawaban dengan sitasi |
Cross-encoder berbeda dari bi-encoder yang dipakai di tahap retrieval. Cross-encoder lebih akurat karena membaca kueri dan dokumen secara bersamaan, tapi terlalu lambat untuk dijalankan ke seluruh korpus. Karena itu rerank dipakai hanya untuk menyaring kandidat yang sudah dipilih.
Kenapa Penting untuk Marketer Indonesia?
Banyak konten di Indonesia menulis dengan asumsi semua hasil pencarian masuk ke jawaban AI. Faktanya, hanya yang lolos rerank yang dikutip. Tiga implikasi praktis. Pertama, paragraf pembuka harus menjawab pertanyaan dengan padat karena rerank model membaca beberapa paragraf awal lebih berat. Kedua, Snippet Eligibility dan struktur self-contained meningkatkan skor rerank. Ketiga, konten yang dipublikasi 2025 ke atas dengan sinyal kebaruan kuat lebih sering dipromosikan rerank dibanding konten lama yang sudah dingin.
Pertanyaan Umum
Apakah Vector Rerank sama dengan SEO ranking?
Tidak. SEO ranking mengatur urutan di SERP Google klasik. Vector Rerank mengatur urutan dokumen yang dimasukkan ke konteks LLM sebelum jawaban dibuat. Keduanya bisa beda hasil untuk kueri yang sama.
Bagaimana cara optimasi untuk Vector Rerank?
Tulis paragraf yang langsung menjawab kueri populer di awal, gunakan terminologi industri standar, dan pastikan struktur heading mencerminkan pertanyaan nyata pengguna.
Istilah Terkait