Xia Hu

Hus Survey „Harnessing the Power of Large Language Models in Practice“ (2023, Seniorautor) sitzt in einer anderen Ecke der Survey-Literatur als die akademisch dichten Zhao- oder Wen-Überblicke: Er ordnet das Feld entlang der Fragen, die ein echtes Deployment-Team beantworten muss — welches Modell zu welcher Problemklasse passt, wie die Datenanforderungen im Produktionsmaßstab aussehen, was Feinabstimmung (Fine-Tuning) gegenüber Prompting tatsächlich kostet, wo Vertrauenslücken auftreten. Derselbe Instinkt zieht sich durch seine D2K-Lab-Arbeit zu automatisiertem und interpretierbarem ML — Methodik, die so gestaltet ist, dass jemand außerhalb des Forschungslabors das Ergebnis reproduzieren und prüfen kann, wie es erreicht wurde. Für ai100 ist dies die Literatur, die kartiert, wie Markenerwähnungsverhalten von jemandem evaluiert werden sollte, der die Evaluation gegenüber einem Beschaffungsteam verteidigen muss.

Lesenswert, wenn

man LLMs aus der Perspektive von Praktikern evaluieren muss und Literatur will, die für Deployment statt für benchmark-Rekorde gerahmt ist.

Themen

praxisorientierte LLM-Deployment-Surveys; automatisiertes und interpretierbares ML; LLM-Effizienzüberlegungen für den Produktionseinsatz.

Zentrale Arbeiten

„Harnessing the Power of Large Language Models in Practice: A Survey“ (2023, Seniorautor); D2K-Lab-Publikationen zu automatisiertem ML; langjähriges Werk zu Interpretierbarkeit in ML und AutoML an Rice.