Jure Leskovec
Ce que la structure de graphe ajoute aux problèmes de raisonnement et de recherche que les modèles de langage traitent actuellement sans elle — et ce qui se perd lorsque les relations dans les données sont aplaties en texte.
Le node2vec de Leskovec (2016) a été l'une des premières méthodes à rendre les données structurées en graphe utilisables comme entrée de pipelines ML standard — représenter les nœuds par des vecteurs qui préservent l'information de voisinage, puis utiliser ces embeddings comme variables partout où un vecteur peut entrer. Les jeux de données et méthodes du Stanford Network Analysis Project (SNAP) qui ont suivi sont devenus le substrat par défaut de la recherche en graph-ML. Pour ai100, où la question « comment un modèle sait-il quelle marque mentionner » relève du raisonnement structuré en graphe — quelles entités sont connectées à quels contextes dans les données d'entraînement — la perspective graphe offre un angle utilement orthogonal sur ce que l'évaluation actuelle des LLM tend à ne mesurer qu'en surface.