Abhinav Bohra, científico aplicado sénior en Amazon, declaró que su mayor arrepentimiento profesional es haber esperado años para construir una reputación profesional fuera de la empresa. [1]
Los resultados muestran que, si bien los LLM exhiben patrones de calificación similares a los humanos, su concordancia de calificación absoluta es baja y varía sustancialmente según el tamaño del modelo y el constructo de evaluación. [2] El documento investiga la utilidad de los Modelos de Lenguaje Grande (LLM) para seleccionar un método de explicación eficaz para una aplicación de sistema de recomendación determinada. [3] Abhinav Bohra aconsejó a los trabajadores tecnológicos construir un registro público de su trabajo fuera de su empresa para evitar empezar desde cero si se van debido a despidos o un mercado laboral difícil. [4]
Abhinav Bohra desarrolló reglas para compartir su trabajo externamente, afirmando que si un problema existe en la investigación publicada, es una conversación, pero los datos no públicos, las métricas internas y los productos no lanzados están fuera de discusión. [5] Los investigadores generaron 18 prototipos de explicación distintos para evaluar el rendimiento de diferentes métodos de explicación. [6]Abhinav Bohra, a senior applied scientist at Amazon, stated that his biggest career regret is waiting years to build a professional reputation outside the company. [1]
Results show that while LLMs exhibit human-like rating patterns, their absolute rating agreement is low and varies substantially by model size and evaluation construct. [2] The paper investigates the utility of Large Language Models (LLMs) in selecting an effective explanation method for a given recommender system application. [3] Abhinav Bohra advised tech workers to build a public record of their work outside their company to avoid starting from scratch if they leave due to layoffs or a difficult job market. [4]
Abhinav Bohra developed rules for himself to share work externally, stating that if a problem exists in published research, it is a conversation, but nonpublic data, internal metrics, and unreleased products are off the table. [5] Researchers generated 18 distinct explanation prototypes to evaluate the performance of different explanation methods. [6]
Prueba6 fuentes · 2 medios
En qué se apoya
Abhinav Bohra, científico aplicado sénior en Amazon, declaró que su mayor arrepentimiento profesional es haber esperado años para construir una reputación profesional fuera de la empresa. · businessinsider.comEstados Unidos
Los resultados muestran que, si bien los LLMs exhiben patrones de calificación similares a los humanos, su acuerdo absoluto en las calificaciones es bajo y varía sustancialmente según el tamaño del modelo y el constructo de evaluación. · arXiv.org
El artículo investiga la utilidad de los Modelos de Lenguaje Grande (LLMs) en la selección de un método de explicación eficaz para una aplicación determinada de sistema de recomendación. · arXiv.org
Abhinav Bohra aconsejó a los trabajadores tecnológicos construir un registro público de su trabajo fuera de su empresa para evitar empezar desde cero si se van debido a despidos o a un mercado laboral difícil. · businessinsider.comEstados Unidos
Abhinav Bohra desarrolló reglas para sí mismo para compartir trabajo externamente, afirmando que si un problema existe en la investigación publicada, es una conversación, pero los datos no públicos, las métricas internas y los productos no lanzados están fuera de discusión. · businessinsider.comEstados Unidos
Los investigadores generaron 18 prototipos de explicación distintos para evaluar el rendimiento de diferentes métodos de explicación. · arXiv.org
1 de los 2 medios publica desde Estados Unidos. No sabemos desde qué país publica el otro. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Procedencia del artículo · 6 fuentes · v 002El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel jueves, 3 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
1 de los 2 medios publica desde Estados Unidos. No sabemos desde qué país publica el otro. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
De otro periódico de Newsroom Floor, con su firma. Cada pieza abre en el periódico que la escribió.
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)ff7cb4c77ee3e059ce4f2dcfb3181a9c7ce8a8f641991b2d6ae9410c015218a3
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro