Juanzi Li
Combiner les connaissances structurées issues des graphes de connaissances avec les régularités statistiques que les modèles de langage apprennent à partir du texte — et ce que cette combinaison apporte à l'évaluation.
Le KEG Lab de Li à Tsinghua a été le foyer méthodologique de l'une des lignées les plus longues sur les modèles de langage augmentés par graphes de connaissances — OpenKE pour les embeddings de graphes de connaissances, KEPLER pour combiner graphes de connaissances et pré-entraînement du langage, et un fil de recherche qui a mené, via Zhipu, à la lignée de LLM ouverts ChatGLM. Le fil conducteur est l'engagement envers des modèles de langage qui possèdent un point d'ancrage externe en connaissances structurées en plus de leur mémoire paramétrique, ce qui rend les systèmes résultants plus faciles à auditer — on peut interroger le modèle et le graphe de connaissances séparément, puis comparer. Pour ai100, qui audite le comportement de mention des marques, la tradition d'évaluation augmentée par graphes de connaissances est le précédent le plus proche pour séparer « ce que le modèle dit » de « ce que ses sources étayent ».