Xia Hu
Déterminer si l'état de l'art académique des modèles de langage peut être transformé en quelque chose qu'un praticien — et non un laboratoire de recherche — peut réellement déployer et auquel il peut se fier.
La synthèse de Hu, "Harnessing the Power of Large Language Models in Practice" (2023, auteur senior), occupe un autre coin de la littérature de synthèse que les panoramas académiquement denses à la Zhao ou à la Wen : elle organise le domaine autour des questions auxquelles une vraie équipe de déploiement doit répondre — quel modèle convient à quelle classe de problème, à quoi ressemblent les exigences de données à l'échelle de production, ce que coûtent réellement le réglage fin (fine-tuning) par rapport au prompting, où apparaissent les failles de confiance. Le même réflexe traverse son travail au D2K Lab sur le ML automatisé et interprétable — une méthodologie conçue pour que quelqu'un hors du laboratoire de recherche puisse reproduire le résultat et auditer la manière dont il a été atteint. Pour ai100, c'est la littérature qui cartographie comment un comportement de mention de marque devrait être évalué par quelqu'un qui doit défendre l'évaluation devant un service achats.