Yoav Shoham
Ce qui peut être mesuré sur l'état de l'IA depuis l'extérieur d'une entreprise donnée — et à quoi ressemble l'augmentation par recherche lorsqu'il n'est pas nécessaire de réentraîner quoi que ce soit.
La carrière de Shoham traverse plusieurs ères de l'IA — les systèmes multi-agents et la théorie des jeux dans le manuel qu'il a coécrit, puis une longue période à présider le Stanford AI Index, mesure annuelle du domaine devenue ce que l'industrie a de plus proche d'un état des lieux officiel. L'article "In-Context Retrieval-Augmented Language Models" (2023, auteur senior) se situe dans la pile AI21, mais se lit comme un article méthodologique : l'augmentation par recherche fonctionne sur des LLM gelés avec des modules de recherche (retrievers) prêts à l'emploi, sans entraînement conjoint, exactement le régime qui s'applique quand on ne peut pas ouvrir le modèle que l'on essaie d'améliorer. Les deux lignes — mesure du domaine et méthodes qui fonctionnent dans le régime des modèles fermés — se rejoignent dans une position qu'ai100 partage : on ne peut pas prétendre produire un diagnostic à l'échelle de l'industrie sans dire ce que l'on peut et ne peut pas mesurer.