Hvad er reranking? Sådan vælger AI, hvilke kilder der faktisk bruges

Reranking er det andet trin i, hvordan en AI vælger, hvilke kilder der faktisk skal bruges i et svar. Efter at et hurtigt første trin har hentet en bred bunke mulige kilder, giver en selvstændig, mere præcis model hver af dem en ny relevansscore og sorterer dem på ny. Kort sagt: hentningen finder kandidaterne, reranking bestemmer rækkefølgen — og kun toppen når frem til svaret.

Hvorfor hentningen deles i to trin

Dette handler om en afvejning mellem fart og præcision. Den første søgning bruger embeddings og en vektordatabase til at finde kandidater lynhurtigt blandt millioner af dokumenter — men målet dér er ikke at gå glip af noget relevant, ikke at rangere perfekt. Derfor henter den gerne 50–100 kandidater, der ligger omtrent i det rigtige område. Reranking tager så kun denne lille bunke og bruger en tungere model på hver enkelt for at afgøre den reelle relevans. At køre den tunge model på hele databasen ville være alt for langsomt; at køre den på 100 kandidater er overkommeligt. Dette mønster kaldes totrinshentning.

Hvordan reranking fungerer

Rerankere er som regel cross-encodere. Hvor den hurtige vektorsøgning embedder spørgsmål og dokument hver for sig og sammenligner dem bagefter, læser en cross-encoder spørgsmålet og kandidatteksten samtidigt og giver én relevansscore for parret. Fordi den ser begge tekster på én gang, opfanger den nuancer i sammenhængen — hvilken af to tilsyneladende ens bidder der faktisk svarer på det, der blev spurgt om. Det gør den langsom, men præcis, og det er netop derfor, den bruges til sidst, på en lille bunke. Kommercielle rerankere som Cohere Rerank er almindelige valg i produktion.

Hvorfor det betyder noget for AI-synlighed

Her ligger den vigtigste lære: at blive hentet er ikke nok — du skal overleve reranking. Dit indhold kan sagtens havne i den første bunke på 100 kandidater, men hvis en konkurrent svarer mere præcist og direkte på selve spørgsmålet, bliver du sorteret ned under reranking og når aldrig frem til svaret. To bidder kan ligge lige tæt på spørgsmålet i embedding-rummet, men rerankeren vælger den, der besvarer spørgsmålet mest præcist. Derfor er det ikke nok at være »i nærheden« af emnet — du skal ramme spørgsmålet.

Hvordan du selv kan bruge dette

Skriv sådan, at hvert afsnit besvarer ét konkret spørgsmål direkte og fuldstændigt, uden at læseren skal lede. Læg svaret først (BLUF), brug det sprog, spørgsmålet faktisk stilles i, og undgå at pakke det vigtigste ind i lange, generelle afsnit. Jo mere præcist en chunk svarer på spørgsmålet, desto bedre klarer den sig gennem reranking. CitationLab Monitor med Chunkalyzer hjælper dig med at se, hvilke afsnit der er relevante nok til at klare sig — og hvilke der bliver hentet, men sorteret fra. Vil du vide, om dit indhold overlever reranking i dag? Start med en gennemgang af din AI-synlighed.