# Odpowiadanie na pytania z dużego zbioru tekstów (open-domain QA)

EN: **Open-domain question answering (retriever–reader)** · id `opendomainqa` · aliases: open-domain question answering, open-domain QA, ODQA, QA otwartodomenowe

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Język naturalny](https://aiatlasgraph.com/t/nlp.md) › [Odpowiadanie na pytania (QA)](https://aiatlasgraph.com/t/questionanswering.md) › Odpowiadanie na pytania z dużego zbioru tekstów (open-domain QA)

## Description

- PL: Odpowiadanie na pytania bez podanego kontekstu przez wyszukanie fragmentów w dużym korpusie i odczytanie z nich odpowiedzi.
- EN: Answering questions with no given context by retrieving passages from a large corpus and reading the answer from them.

## In one sentence

- PL: Program sam znajduje w ogromnym zbiorze tekstów fragmenty, które odpowiadają na pytanie, i dopiero z nich buduje odpowiedź.
- EN: Software finds the right passages in a huge text collection on its own and builds the answer from them.

## Problem it solves

- PL: Zwykle nie wiesz, w którym z milionów dokumentów jest odpowiedź, więc nie możesz programowi podać właściwego tekstu.
- EN: You usually don't know which of millions of documents holds the answer, so you can't hand software the right text.

## What it does

- PL: Pracuje w dwóch krokach jak student w bibliotece: najpierw wyszukuje kilka trafnych stron, potem czyta je uważnie.
- EN: It works in two steps like a student in a library: first fetch a few promising pages, then read them closely.

## Everyday example

- PL: Firmowy pomocnik odpowiada na pytanie o zasady urlopu, przeszukując cały intranet zamiast jednego dokumentu.
- EN: A company helper answers a holiday-policy question by searching the whole intranet rather than one document.

## This concerns you if you…

- PL: masz dużą bazę dokumentów bez dobrego wyszukiwania
- PL: budujesz czat odpowiadający na podstawie własnych tekstów
- PL: chcesz zrozumieć, jak czat szuka odpowiedzi w dokumentach
- EN: have a large document base with poor search
- EN: build a chat that answers from your own texts
- EN: want to know how a chatbot looks up answers in documents

## Keywords

Dense Passage Retrieval · DPR · BM25 · retriever-reader · Fusion-in-Decoder · Natural Questions · TriviaQA · multi-hop QA

## How it works

- PL: Retriever (rzadki jak BM25 albo gęsty dual encoder) wybiera kilkadziesiąt fragmentów najbardziej podobnych do pytania. Reader — model ekstrakcyjny lub generatywny — czyta je i wskazuje albo formułuje odpowiedź; ten układ jest bezpośrednim poprzednikiem RAG z LLM.
- EN: A retriever (sparse like BM25 or a dense dual encoder) selects dozens of passages most similar to the question. A reader — extractive or generative — reads them and selects or composes the answer; this setup is the direct predecessor of LLM-based RAG.

## Limits

- PL: Błąd wyszukiwania przenosi się na odpowiedź: reader nie znajdzie tego, czego retriever nie podał. Pytania wymagające łączenia wielu źródeł i aktualizacja indeksu są kosztowne.
- EN: Retrieval errors carry into the answer: the reader cannot find what the retriever missed. Multi-source questions and keeping the index current are costly.

## Key terms

- PL: **retriever**: Część wyszukująca kandydackie fragmenty tekstu.
- PL: **reader**: Część czytająca fragmenty i wydobywająca odpowiedź.
- PL: **dual encoder**: Osobne enkodery pytań i fragmentów porównywane iloczynem wektorów.
- EN: **retriever**: The part that fetches candidate text passages.
- EN: **reader**: The part that reads passages and extracts the answer.
- EN: **dual encoder**: Separate question and passage encoders compared by vector dot product.

## Know first

- [Embeddingi zdań i dokumentów (modele embeddingowe) (Sentence and document embeddings (embedding models))](https://aiatlasgraph.com/t/textembeddings.md)
- [Bazy wektorowe (Vector databases)](https://aiatlasgraph.com/t/vectordb.md)

## Related topics

Untyped, symmetric "see also" links.

- [Wyszukiwanie i RAG (Retrieval-augmented generation)](https://aiatlasgraph.com/t/retrieval.md)

## Sources

- [Dense Passage Retrieval for Open-Domain Question Answering](<https://arxiv.org/abs/2004.04906>) `dpr-2020` · by Vladimir Karpukhin, Barlas Oğuz, Sewon Min, Patrick Lewis, Ledell Wu, Sergey Edunov, Danqi Chen, Wen-tau Yih

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/opendomainqa · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30