Query-Agnostic Relevance Estimation for Fun and Profit 

In dieser Ausgabe des ScaDS.AI Meetups beschäftigen wir uns mit Suchmaschinen und mit Techniken, wie Suchmaschinen die Relevanz von Dokumenten für Suchanfragen abschätzen können. Suchmaschinen werden in einer Vielzahl von Anwendungen und auch in vielen modernen KI-Systemen (z.Bsp.: Retrieval-Augmented Generation, Tool calling in Large Language Models) eingesetzt. Die Techniken des Vortrages erlauben es, Dokumente frühzeitig aus Verarbeitungspipelines zu entfernen und damit die darauf aufsetzenden Systeme effizienter zu machen.

Query-Agnostic Relevance Estimation for Fun and Profit

Relevanzmodelle sind Kernkomponenten von Suchmaschinen, die dafür zuständig sind, zu schätzen, wie gut ein Dokument die Suchanfrage eines Benutzers erfüllt. In jüngster Zeit wurden Relevanzmodelle durch Hinzufügen von Kontext, wie z. B. kontrastierenden Dokumenten, verbessert. Aber was passiert, wenn wir den Kontext entfernen? Können wir in einem Extremfall die Relevanz eines Dokuments vorhersagen, ohne die Suchanfrage des Benutzers zu sehen? In diesem Vortrag untersuche ich die verrückte – aber überraschend nützliche – Richtung der suchanfragenunabhängigen Relevanzschätzung.

Sean MacAvaney ist Dozent an der Universität Glasgow und Mitglied des Terrier-Teams. Seine Forschungsschwerpunkte liegen im Bereich des effektiven und effizienten neural retrieval. Er ist Preisträger des SIGIR Early Career Researcher Award und des ARCS Endowment Fellowship, und seine Veröffentlichungen wurden mit Paper Awards bei SIGIR, ECIR und COLING ausgezeichnet.

Der Vortrag hat keine Anforderungen und ist für Interessierte aller Erfahrungsstufen geeignet. Der Vortrag wird auf Englisch gehalten.