當大模型的 Context Window 越做越長，也讓人開始重新思考搜尋與 RAG 的角色：如果模型已經能一次讀進大量資料，我們還需要像過去那樣，先找出最相關的內容，再交給模型處理嗎？
為了探討這個議題，五月的數創小聚，我們邀請到 Taboola 的 R&D Group Manager 國父 Joseph Yen，以第一線推薦系統與演算法設計的經驗，分享他對這個議題的看法。
在這次小聚中，國父將從資訊檢索（IR）的本質與 LLM 的橋樑角色談起，延伸討論百萬上下文（Long Context）時代下，搜尋是否仍然有其價值。此外，他也將進一步分享 RAG 的誤區、Embedding 與排序及篩選之間的關係，以及排序與評分的邊界；也會談到代理式搜尋（Agentic Search）如何打破單次 Query 的限制。
若您對資訊檢索、搜尋、推薦系統，或大模型時代下相關技術方向的變化感到好奇，歡迎來這場小聚聽聽第一線研發者怎麼看這些問題。
活動大綱
- 資訊檢索（IR）的本質與 LLM 的橋樑角色
- 百萬上下文（Long Context）時代，搜尋還有價值嗎？
- RAG 的誤區？當 Embedding 遇上排序與篩選
- 排序與評分的邊界：為何 LLM 不是萬能？
- 代理式搜尋（Agentic Search）：打破單次 Query 的限制
這場講座特別適合
- 對資訊檢索、搜尋或推薦系統有興趣的工程師
- 想理解大模型時代下相關技術變化的數據從業者
- 關注 LLM、RAG 與搜尋系統發展的學習者
數創小聚有實體票、線上票兩種形式
線上票行程為 19:15 ~ 21:30 含講座 及 Q&A
而21:30 後為實體票的額外自由交流時間！歡迎大家報名一起聽講座分享互動、親臨現場與講者&其他Data / AI相關領域朋友們一起交流！
線上連結通常會於活動三天前寄出，若未收到可以與我們聯繫
聯絡信箱：contact@datainnolab.ai
會有專人與您聯繫! 謝謝
