La implementación de modelos de recuperación densos es crucial en industrias como la búsqueda empresarial (ES), donde un único servicio respalda a múltiples empresas. En ES, como el Servicio al Cliente en la Nube (CCS), se generan motores de búsqueda personalizados a partir de documentos comerciales cargados para ayudar con las consultas de los clientes. El éxito de los proveedores de ES depende de ofrecer una personalización de búsqueda eficiente en el tiempo para cumplir con los requisitos de escalabilidad. No hacerlo puede provocar retrasos, afectar las necesidades de la empresa y provocar una mala experiencia del cliente con posibles pérdidas comerciales.
El problema con los modelos existentes, como el implícito mediante el ajuste fino de los modelos de recuperación a largo plazo, es que consumen mucho tiempo y es posible que no proporcionen resultados óptimos. Un tiempo de formación más prolongado es un problema, ya que consume importantes recursos computacionales, lo que genera mayores costos de infraestructura y consumo de energía. En segundo lugar, los tiempos de capacitación prolongados obstaculizan los rápidos ciclos de desarrollo y experimentación cruciales para perfeccionar los modelos y adaptarlos a los requisitos cambiantes. Por tanto, el problema requiere una nueva solución.
Los investigadores de la Facultad de Ciencias de la Computación de la Universidad de Sichuan y el Centro de Investigación de Ingeniería de Aprendizaje Automático e Inteligencia Industrial del Ministerio de Educación de Chengdu, China, han presentado DREditor, un método que ahorra tiempo para adaptar modelos de recuperación densos disponibles en el mercado a dominios específicos. Utilizando un mapeo lineal eficiente, DREditor calibra las incrustaciones de salida resolviendo un problema de mínimos cuadrados con un operador de edición especialmente construido. A diferencia de los largos procesos de ajuste, los resultados experimentales demuestran que DREditor logra una eficiencia de tiempo entre 100 y 300 veces más rápida en varios conjuntos de datos, fuentes, modelos y dispositivos, manteniendo o superando el rendimiento de recuperación.
DREditor emplea ajuste fino del adaptador e introduce un enfoque eficiente en el tiempo al calibrar directamente las incrustaciones de salida utilizando una técnica de mapeo lineal. Resuelve un problema de mínimos cuadrados especialmente construido para obtener un operador de edición. El método reduce significativamente el tiempo de personalización en comparación con los enfoques tradicionales, mejorando la capacidad de generalización de los modelos de recuperación ante desastres en dominios específicos. El paso de posprocesamiento de la edición de reglas coincidentes de DREditor implica una transformación lineal computacionalmente eficiente impulsada por el operador de edición derivado𝑊𝑄𝐴.
DREditor exhibe ventajas sustanciales en eficiencia de tiempo, logrando una reducción de 100 a 300 veces en el tiempo de personalización en comparación con los métodos de ajuste tradicionales mientras mantiene o supera el rendimiento de recuperación. El enfoque supera a las técnicas de modificación de reglas implícitas. Los resultados experimentales resaltan la eficacia de DREditor en diversos conjuntos de datos, fuentes, modelos de recuperación y dispositivos informáticos. La investigación enfatiza la contribución del método para llenar un vacío técnico en la calibración de incorporación, permitiendo un desarrollo rentable y eficiente de modelos de recuperación densos de dominios específicos.
En resumen, los investigadores de la Facultad de Ciencias de la Computación de la Universidad de Sichuan y el Centro de Investigación de Ingeniería de Aprendizaje Automático e Inteligencia Industrial del Ministerio de Educación de Chengdu, China, han presentado el DREditor, un modelo de recuperación densa de dominio específico de manera eficiente en el tiempo. . Este enfoque facilita la personalización oportuna para los proveedores de búsqueda empresarial, lo que garantiza la escalabilidad y satisface las demandas urgentes. Una contribución digna de mención es la integración de estudios emergentes sobre la incorporación de la calibración en las tareas de recuperación. El método amplía la aplicabilidad a escenarios específicos de dominio de tiro cero, mostrando su potencial para el desarrollo rentable y eficiente de modelos de recuperación ante desastres específicos de dominio.
Revisar la Papel y GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de 36k+ ML, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Canal de telegramas
Asjad es consultor interno en Marktechpost. Está cursando B.Tech en ingeniería mecánica en el Instituto Indio de Tecnología, Kharagpur. Asjad es un entusiasta del aprendizaje automático y el aprendizaje profundo que siempre está investigando las aplicaciones del aprendizaje automático en la atención médica.