NExT-Search : Reconstruire l'écosystème de feedback utilisateur pour la recherche générative en IA

NExT-Search: Rebuilding User Feedback Ecosystem for Generative AI Search

May 20, 2025

Auteurs: Sunhao Dai, Wenjie Wang, Liang Pang, Jun Xu, See-Kiong Ng, Ji-Rong Wen, Tat-Seng Chua

cs.AI

Résumé

La recherche générative par IA transforme la récupération d'information en fournissant des réponses de bout en bout à des requêtes complexes, réduisant ainsi la dépendance des utilisateurs à la navigation manuelle et à la synthèse de multiples pages web. Cependant, bien que ce paradigme améliore la commodité, il perturbe la boucle d'amélioration basée sur les retours d'expérience qui a historiquement alimenté l'évolution de la recherche web traditionnelle. La recherche web peut continuellement améliorer ses modèles de classement en collectant des retours d'expérience à grande échelle et granulaire (par exemple, les clics, le temps de consultation) au niveau des documents. En revanche, la recherche générative par IA fonctionne à travers un pipeline de recherche beaucoup plus long, englobant la décomposition des requêtes, la récupération de documents et la génération de réponses, mais ne reçoit généralement que des retours d'expérience grossiers sur la réponse finale. Cela introduit une discontinuité dans la boucle de rétroaction, où les retours d'expérience sur le résultat final ne peuvent pas être efficacement répercutés sur des composants spécifiques du système, rendant difficile l'amélioration de chaque étape intermédiaire et le maintien de la boucle de rétroaction. Dans cet article, nous envisageons NExT-Search, un paradigme de nouvelle génération conçu pour réintroduire des retours d'expérience granulaires au niveau du processus dans la recherche générative par IA. NExT-Search intègre deux modes complémentaires : le Mode Débug Utilisateur, qui permet aux utilisateurs engagés d'intervenir à des étapes clés ; et le Mode Utilisateur Fantôme, où un agent utilisateur personnalisé simule les préférences de l'utilisateur et fournit des retours d'expérience assistés par IA pour les utilisateurs moins interactifs. De plus, nous envisageons comment ces signaux de rétroaction peuvent être exploités à travers l'adaptation en ligne, qui affine les résultats de recherche en temps réel, et la mise à jour hors ligne, qui agrège les logs d'interaction pour ajuster périodiquement les modèles de décomposition de requêtes, de récupération et de génération. En restaurant le contrôle humain sur les étapes clés du pipeline de recherche générative par IA, nous croyons que NExT-Search offre une direction prometteuse pour construire des systèmes de recherche par IA riches en retours d'expérience, capables d'évoluer continuellement grâce aux retours humains.

English

Generative AI search is reshaping information retrieval by offering end-to-end answers to complex queries, reducing users' reliance on manually browsing and summarizing multiple web pages. However, while this paradigm enhances convenience, it disrupts the feedback-driven improvement loop that has historically powered the evolution of traditional Web search. Web search can continuously improve their ranking models by collecting large-scale, fine-grained user feedback (e.g., clicks, dwell time) at the document level. In contrast, generative AI search operates through a much longer search pipeline, spanning query decomposition, document retrieval, and answer generation, yet typically receives only coarse-grained feedback on the final answer. This introduces a feedback loop disconnect, where user feedback for the final output cannot be effectively mapped back to specific system components, making it difficult to improve each intermediate stage and sustain the feedback loop. In this paper, we envision NExT-Search, a next-generation paradigm designed to reintroduce fine-grained, process-level feedback into generative AI search. NExT-Search integrates two complementary modes: User Debug Mode, which allows engaged users to intervene at key stages; and Shadow User Mode, where a personalized user agent simulates user preferences and provides AI-assisted feedback for less interactive users. Furthermore, we envision how these feedback signals can be leveraged through online adaptation, which refines current search outputs in real-time, and offline update, which aggregates interaction logs to periodically fine-tune query decomposition, retrieval, and generation models. By restoring human control over key stages of the generative AI search pipeline, we believe NExT-Search offers a promising direction for building feedback-rich AI search systems that can evolve continuously alongside human feedback.