Conquistando Jueces de Búsqueda LLM Torpes con ML Clásico

El autor explora el uso de un LLM local como juez de relevancia de búsqueda, una alternativa económica a OpenAI. Los juicios individuales de LLM son poco fiables, por lo que el artículo propone combinar las evaluaciones de varios atributos de productos (nombre, clasificación, descripción, etc.) de múltiples LLMs utilizando aprendizaje automático tradicional (por ejemplo, árboles de decisión) para mejorar la precisión. Los experimentos muestran que este enfoque puede predecir las preferencias humanas y revelar la lógica detrás de las etiquetas humanas, ayudando en la optimización de los motores de búsqueda.