ராப்ளாக்ஸ் எம்.எல். பொறியாளர் ஷியாவோ யூவுக்கு 'டெஸ்ட் ஆஃப் டைம்' விருது வழங்கப்பட்டது

17வது ACM சர்வதேச இணையத் தேடல் மற்றும் தரவுச் சுரங்க மாநாட்டில் (WSDM 2024) 'காலத்தின் சோதனை' விருதைப் பெற்றதற்காக ராப்லாக்ஸ் இயந்திரக் கற்றல் பொறியாளர் ஷியாவோ யூ மற்றும் அவரது இணை ஆசிரியர்களை வாழ்த்துவதில் நாங்கள் மகிழ்ச்சியடைகிறோம். 'காலத்தின் சோதனை' விருது என்பது ஒரு ஆராய்ச்சி, அந்தத் துறையின் போக்குகளையும் திசையையும் மாற்றியமைத்துள்ளது என்பதற்கான வரலாற்றுத் தாக்கத்தின் அடையாளமும் அங்கீகாரமும் ஆகும். இது 10 ஆண்டுகளுக்கு முன்பு வெளியிடப்பட்டு, நீடித்த தாக்கத்தை ஏற்படுத்திய ஒரு ஆராய்ச்சி வெளியீட்டை அங்கீகரிக்கிறது.

வெற்றி பெற்ற கட்டுரை, "Personalized Entity Recommendation: A Heterogeneous Information Network Approach" முதன்முதலில் WSDM 2014-ல் வழங்கப்பட்டது, அப்போது யூ, இல்லினாய்ஸ் பல்கலைக்கழகத்தின் அர்பானா-சாம்பெயின் வளாகத்தில் ஒரு ஆராய்ச்சியாளராக இருந்தார். யூ 2022-ல் ராப்லாக்ஸ் நிறுவனத்தில் சேர்ந்தார், மேலும் இயற்கை மொழி, கணினி பார்வை, பெரிய மொழி மாதிரிகள் மற்றும் உருவாக்கும் செயற்கை நுண்ணறிவு ஆகியவற்றில் பணியாற்றியுள்ளார். இதில் எங்களின் சமீபத்திய பணியான நிகழ்நேர செயற்கை நுண்ணறிவு அரட்டை மொழிபெயர்ப்பு மற்றும் நிகழ்நேர குரல் நெறிப்படுத்தல் ஆகியவையும் அடங்கும்.

விருது பெற்ற இந்தக் கட்டுரை, "பயனர்கள் மற்றும் பொருட்களுக்கான பிரதிநிதித்துவங்களாக மெட்டா-பாதை அடிப்படையிலான மறைமுக அம்சங்கள் என்ற கருத்தை அறிமுகப்படுத்துகிறது. பரிந்துரை அமைப்புகளுக்கு பிரதிநிதித்துவக் கற்றல் (representation learning) ஒரு நவீன தொழில்நுட்பமாக மாறுவதற்கு முன்பு இது இருந்தது. பன்முக வலைப்பின்னல்கள் மற்றும் பரிந்துரை அமைப்புகளில் உட்பொதிப்புகளின் (embeddings) பரவலான பயன்பாட்டிற்கு முந்தையது என்றாலும், இந்தக் கட்டுரையில் முன்வைக்கப்பட்ட அவதானிப்புகளும் தத்துவமும் பல ஆராய்ச்சியாளர்களை இந்தச் சிக்கலை மறுபரிசீலனை செய்யத் தூண்டியதுடன், இந்தத் துறையில் ஒரு புதுமையான ஆராய்ச்சிக் அலையைத் தூண்டியது."

யு மற்றும் அவரது சகாக்களால் வெளியிடப்பட்ட ஆராய்ச்சி, பரிந்துரை இயந்திரங்கள் (recommendation engines) பெருகிய முறையில் பரவலாகிவிட்டதால், கடந்த பத்தாண்டுகளில் குறிப்பிடத்தக்க அங்கீகாரத்தைப் பெற்றுள்ளது. "பல்வேறு உறவுத் தகவல்களை இணைப்பதன் மூலம், எங்கள் முறை பரிந்துரைகளை அதிக அளவிற்கு தனிப்பயனாக்குகிறது, இது பயனர்களுக்கு மிகவும் துல்லியமான, பொருத்தமான மற்றும் தனிப்பயனாக்கப்பட்ட பரிந்துரைகளுக்கு வழிவகுக்கிறது. மக்கள் தேவையற்ற பரிந்துரைகளால் தாக்கப்படும் இன்றைய தகவல் மிகைப்படுத்தப்பட்ட சூழலில் இது மிகவும் முக்கியமானது," என்று யு கூறுகிறார்.

"இந்தக் கட்டுரைக்கு முன்பு, வரைபட அடிப்படையிலான கலப்பின பரிந்துரை அமைப்புகள் பெரும்பாலும் ஒரு பயனர் ஒரு குறிப்பிட்ட பொருளை முன்பு வாங்கியிருக்கிறாரா என்பது போன்ற ஒரே வகையான உறவைப் பயன்படுத்தின. ஒரு வலையமைப்பிற்குள் உறவுகளின் பன்முகத்தன்மையைப் பயன்படுத்திக்கொள்ள இது முதல் அணுகுமுறைகளில் ஒன்றாகும். பல்வேறு உறவுகளை மாதிரியாக்குவதன் மூலம், முன்மொழியப்பட்ட பரிந்துரை அமைப்பு பயனர் விருப்பத்தேர்வுகள் மற்றும் பொருளின் பண்புகள் பற்றிய வளமான மற்றும் நுணுக்கமான புரிதலைப் பெற முடியும்."

Roblox-இல் சமீபத்திய AI ஆராய்ச்சி பற்றி இங்கே அறிக.