La recherche générative a d'abord été traitée comme une technique de recherche d'information de niche : entraîner un modèle sequence-to-sequence à émettre des identifiants de documents à partir d'une requête. Les travaux de Li, issus d'un arrière-plan en résumé et en NLG, ont recadré le problème : dès lors qu'un système peut générer des identifiants de documents, il peut aussi générer le résumé de ces documents conditionné par la requête, ainsi que la réponse à la requête conditionnée par les documents, le tout avec la même architecture et les mêmes poids (du modèle). Pour ai100, cela compte parce que la frontière entre « le système a recherché des sources » et « le système les a résumées » devient floue : un moteur moderne en mode réponse-avec-citations fait les deux, et la lignée de travaux de Li est l'endroit le plus net pour voir pourquoi ces deux tâches ont toujours été intriquées.

À lire lorsque
vous voulez penser la recherche, le résumé et la réponse aux questions comme un seul problème de génération, plutôt que comme un pipeline de composants séparés.
Thèmes
recherche générative de documents; unification du résumé et de la recherche comme tâches de génération; résumé conditionné par la requête dans les systèmes adjacents au RAG.
Travaux clés
Neural Corpus Indexer (NCI, 2022, co-auteur) et lignée ultérieure de recherche générative; vaste corpus de travaux sur le résumé de texte et la NLG centrée sur la requête; publications du HK PolyU Cognitive Computing Lab.