Reranking : Définition et Exemples

Le reranking (ou re-classement) est une étape de post-traitement utilisée dans les systèmes de recherche d'information et de génération augmentée par la récupération (RAG). Son principe est simple : après une première phase de récupération rapide qui retourne un ensemble de candidats, un modèle plus sophistiqué réévalue et réordonne ces résultats pour placer les plus pertinents en tête de liste.

Dans un pipeline RAG typique, la recherche initiale repose souvent sur des méthodes rapides mais approximatives, comme la similarité cosinus entre embeddings ou la recherche par mots-clés (BM25). Ces approches sont efficaces pour réduire un corpus de millions de documents à quelques dizaines de candidats, mais elles manquent parfois de finesse. Le reranker intervient alors comme un second filtre, utilisant un modèle cross-encoder qui analyse conjointement la requête et chaque document candidat pour produire un score de pertinence beaucoup plus précis.

Les modèles de reranking les plus courants sont des transformers entraînés spécifiquement pour cette tâche, comme Cohere Rerank, les modèles cross-encoder de la famille SBERT, ou encore les rerankers de Jina AI. Contrairement aux bi-encoders utilisés lors de la phase de récupération, ces modèles prennent en entrée la paire (requête, document) et peuvent capturer des interactions sémantiques fines entre les deux textes.

Le reranking est devenu un composant essentiel des architectures RAG modernes car il permet d'améliorer significativement la qualité des réponses générées par les LLM, en s'assurant que le contexte fourni au modèle contient bien les informations les plus pertinentes. L'investissement en temps de calcul reste raisonnable puisque le reranker ne traite que les N premiers résultats de la recherche initiale, typiquement entre 20 et 100 documents.