Reranking is een tweede sorteerstap die een lijst zoekresultaten herordent zodat de meest relevante bovenaan eindigen. Een typische AI-zoekopdracht draait in twee fases. Eerst haalt een snelle methode een brede set kandidaatdocumenten op. Daarna scoort een reranker, een zorgvuldiger en meestal trager model, die shortlist opnieuw en herordent hem. De eerste ronde kiest voor snelheid; de tweede voor precisie.
Stel je een bibliothecaris voor die snel twintig boeken pakt die je vraag misschien beantwoorden, en daarna gaat zitten om de eerste pagina van elk te lezen om te bepalen welke drie dat echt doen. Het snelle pakken is de eerste retrieval; het zorgvuldige lezen is de reranker. Je krijgt de snelheid van een brede zwaai en de nauwkeurigheid van een goede blik, zonder het trage deel op de hele bibliotheek te doen. Dat zorgvuldige lezen op elk boek in het gebouw zou de hele dag duren, en precies daarom gaat de goedkope eerste ronde voorop.
Dit telt het meest in retrieval- en RAG-systemen, waar de AI maar een handjevol bovenste resultaten leest voordat hij antwoordt. Als de beste bron op plek acht stond, lijdt het antwoord eronder, want het model ziet hem nooit. Reranking lost dat op door het juiste document naar boven te tillen. Het past natuurlijk samen met semantische zoekfunctie voor de brede eerste ronde: semantisch zoeken werpt het wijde net uit op betekenis, de reranker scherpt daarna de volgorde aan. Een gangbare opzet haalt snel 50 kandidaten op en rerankt naar de beste 5 die het model echt leest. Dit verwijst terug naar retrieval als de stap die het materiaal aanlevert.
Bij TopDevs voegen we een reranker toe als de AI van een klant steeds de op-een-na-beste bron citeert, want het juiste document naar plek een verplaatsen is vaak de goedkoopste manier om de antwoordkwaliteit te verhogen.
