QASP: Query-Adaptive Robust Vector Search Policy

QASP: A política adaptativa que promete reduzir em 80% o custo da busca vetorial

Um dos maiores desafios da busca vetorial — tecnologia por trás de sistemas de recomendação, chatbots e buscas semânticas — sempre foi equilibrar alta precisão (revocação) com baixo consumo de recursos computacionais. Na prática, isso significa que uma mesma configuração de busca pode funcionar bem para algumas consultas e falhar miseravelmente para outras, gerando insatisfação ou desperdício de processamento. O problema se agrava porque as métricas tradicionais de avaliação, baseadas em médias de revocação, escondem essas disparidades. Uma nova abordagem, batizada de QASP (Query-Adaptive Robust Vector Search Policy, ou Política Robusta de Busca Vetorial Adaptativa por Consulta), quer mudar esse jogo ao prever o comportamento de cada consulta antes mesmo de executá-la.

O calcanhar de Aquiles dos parâmetros fixos

Na maioria dos sistemas de busca vetorial, o desempenho depende de um conjunto fixo de parâmetros — por exemplo, o número de vetores vizinhos examinados durante a sondagem. Ocorre que diferentes consultas possuem níveis de dificuldade distintos. Uma busca por um termo muito específico pode encontrar o resultado ideal rapidamente, enquanto outra mais ambígua exige vasculhar uma fração muito maior do índice. Com parâmetros estáticos, ou se gasta mais do que o necessário em consultas fáceis, ou se perde precisão nas difíceis. O QASP ataca essa raiz ao tornar a política de busca dinâmica e personalizada para cada consulta.

Como o QASP funciona

A inovação central está em uma única etapa de regressão supervisionada, executada antes do início da busca. Em vez de ajustar parâmetros iterativamente ou manter múltiplos modelos para diferentes metas de revocação, o QASP prevê toda a curva de progressão da revocação para a consulta. A partir dessa curva, deriva-se automaticamente a profundidade de busca necessária para atingir qualquer meta desejada — por exemplo, 95% ou 99% de revocação.

Essa predição usa características invariantes à escala e é feita com apenas uma passagem de