Jure Leskovec
Qué añade la estructura de grafos a los problemas de razonamiento y recuperación que los modelos de lenguaje actualmente manejan sin ella, y qué se pierde cuando las relaciones en los datos se aplanan en texto.
node2vec (2016), de Leskovec, fue uno de los primeros métodos en hacer que los datos estructurados como grafos funcionaran como entrada para pipelines estándar de ML: representar nodos como vectores que preservan información de vecindad y luego usar esos embeddings como características en cualquier lugar donde pueda ir un vector. Los conjuntos de datos y métodos del Stanford Network Analysis Project (SNAP) que siguieron se convirtieron en el sustrato por defecto para la investigación en ML sobre grafos. Para ai100, donde la pregunta «cómo sabe un modelo qué marca mencionar» pertenece al territorio del razonamiento estructurado como grafo —qué entidades están conectadas con qué contextos en los datos de entrenamiento—, la perspectiva de grafos es un ángulo útilmente ortogonal sobre lo que la evaluación actual de LLM tiende a medir solo en la superficie.