論文の概要: Navigating Complex Search Tasks with AI Copilots
- arxiv url: http://arxiv.org/abs/2311.01235v1
- Date: Thu, 2 Nov 2023 13:43:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 13:23:59.527261
- Title: Navigating Complex Search Tasks with AI Copilots
- Title(参考訳): aiによる複雑な検索タスクのナビゲート
- Authors: Ryen W. White
- Abstract要約: 複雑な検索タスクは、初歩的な事実発見や再定義のサポート以上のものを必要とする。
近年の人工人工知能(AI)の出現と補助エージェント(副操縦士)の到来は、さらなる支援を提供する可能性がある。
この記事は2023年のACM SIGIR Conferenceの著者による基調講演に基づいている。
- 参考スコア(独自算出の注目度): 6.839870353268828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As many of us in the information retrieval (IR) research community know and
appreciate, search is far from being a solved problem. Millions of people
struggle with tasks on search engines every day. Often, their struggles relate
to the intrinsic complexity of their task and the failure of search systems to
fully understand the task and serve relevant results. The task motivates the
search, creating the gap/problematic situation that searchers attempt to
bridge/resolve and drives search behavior as they work through different task
facets. Complex search tasks require more than support for rudimentary fact
finding or re-finding. Research on methods to support complex tasks includes
work on generating query and website suggestions, personalizing and
contextualizing search, and developing new search experiences, including those
that span time and space. The recent emergence of generative artificial
intelligence (AI) and the arrival of assistive agents, or copilots, based on
this technology, has the potential to offer further assistance to searchers,
especially those engaged in complex tasks. There are profound implications from
these advances for the design of intelligent systems and for the future of
search itself. This article, based on a keynote by the author at the 2023 ACM
SIGIR Conference, explores these issues and charts a course toward new horizons
in information access guided by AI copilots.
- Abstract(参考訳): 情報検索(IR)研究コミュニティにいる私たちの多くが知っているように、検索は解決された問題には程遠い。
何百万人もの人々が毎日検索エンジンのタスクに苦労している。
しばしば、彼らの苦労は、彼らのタスクの本質的な複雑さと、そのタスクを完全に理解し、関連する結果を提供するための検索システムの失敗に関係している。
このタスクは検索のモチベーションを高め、検索者がブリッジ/リゾルを試み、異なるタスクファセットを通して検索動作を駆動するギャップ/プロブルマティックな状況を生成する。
複雑な検索タスクには、基本的な事実発見や再発見のサポート以上のものが必要です。
複雑なタスクをサポートする方法の研究には、クエリとWebサイトの提案の生成、検索のパーソナライズとコンテキスト化、時間と空間にまたがる新しい検索エクスペリエンスの開発などが含まれる。
生成人工知能(AI)の近年の出現と、この技術に基づく補助エージェント(副操縦士)の到来は、検索者、特に複雑なタスクに従事する人たちにさらなる支援を提供する可能性がある。
これらの進歩から、インテリジェントシステムの設計や、検索そのものの将来には、深い意味合いがある。
この記事では、2023年のACM SIGIR Conferenceの著者による基調講演に基づいて、AIコミッションによってガイドされる情報アクセスの新たな視野に向けて、これらの問題とコースをグラフ化します。
関連論文リスト
- CoSearchAgent: A Lightweight Collaborative Search Agent with Large
Language Models [13.108014924612114]
大規模言語モデル(LLM)を利用した軽量協調検索エージェントであるCoSearchAgentを提案する。
CoSearchAgentはSlackプラグインとして設計されており、このプラットフォーム上での多人数会話中の協調検索をサポートする。
検索結果に基づいた回答でユーザクエリに応答できる。
論文 参考訳(メタデータ) (2024-02-09T12:10:00Z) - Search Still Matters: Information Retrieval in the Era of Generative AI [1.68609633200389]
この視点は、IRプロセスのモチベーション、考慮、結果の文脈における生成的AIの使用を探求する。
このようなシステムのユーザ、特に学者は、信頼性、タイムライン、検索の文脈化に関する懸念を持っている。
論文 参考訳(メタデータ) (2023-11-30T13:36:21Z) - Automatic Engineering of Long Prompts [79.66066613717703]
大規模言語モデル(LLM)は、複雑なオープンドメインタスクを解く際、顕著な能力を示した。
本稿では,自動ロングプロンプトエンジニアリングのためのグリージーアルゴリズムと遺伝的アルゴリズムの性能について検討する。
提案アルゴリズムは,Big Bench Hardの8つのタスクにおいて,平均9.2%の精度向上を実現している。
論文 参考訳(メタデータ) (2023-11-16T07:42:46Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳(メタデータ) (2023-10-23T05:52:09Z) - Investigating Conversational Search Behavior For Domain Exploration [0.5512295869673147]
本研究では,未知の情報景観を通したナビゲーションのオープンな探索行動について検討する。
5つの領域にわたる一般的な情報探索パターンを明らかにするために,統計解析とプロセスマイニング手法を適用した。
論文 参考訳(メタデータ) (2023-01-10T17:43:03Z) - Robots Learn Increasingly Complex Tasks with Intrinsic Motivation and
Automatic Curriculum Learning [44.62475518267084]
ロボットによるマルチタスク学習は、タスクの複雑さ、必要なアクションの複雑さ、伝達学習におけるタスク間の関係といった、ドメイン知識の課題を提起する。
このドメイン知識は、生涯学習の課題に対処するために学習できることを実証する。
そこで本稿では,ロボットが複雑度の高い複数の制御タスクを実現するために,非境界複雑性の動作列を学習するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T08:14:16Z) - Towards Collaborative Question Answering: A Preliminary Study [63.91687114660126]
我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。
専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。
専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
論文 参考訳(メタデータ) (2022-01-24T14:27:00Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳(メタデータ) (2020-10-22T17:49:25Z) - On the Social and Technical Challenges of Web Search Autosuggestion
Moderation [118.47867428272878]
自動提案は通常、検索ログと文書表現のコーパスに基づいてトレーニングされた機械学習(ML)システムによって生成される。
現在の検索エンジンは、このような問題のある提案を抑えるのに、ますます熟練している。
問題のある提案のいくつかの側面、パイプラインに沿った困難な問題、そしてWeb検索を超えたアプリケーションの増加になぜ私たちの議論が適用されるのかについて論じる。
論文 参考訳(メタデータ) (2020-07-09T19:22:00Z) - Planning to Explore via Self-Supervised World Models [120.31359262226758]
Plan2Exploreは自己監督型強化学習エージェントである。
我々は、自己監督型探索と、新しいタスクへの迅速な適応に対する新しいアプローチを提案する。
Plan2Exploreは、訓練の監督やタスク固有の相互作用がなければ、自己監督型の探査方法よりも優れている。
論文 参考訳(メタデータ) (2020-05-12T17:59:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。