SyntheSearch

‍ synthesearch

؟ ️ المؤلفون

• المشروع الرئيسي: فونغ تساو
• مطور الذكاء الاصطناعى: فونج تساو
• الواجهة الخلفية: فونج تساو ، هين هوانغ
• الواجهة الأمامية: دوانه فونج ، مينه بوي

---

؟ نظرة عامة على المشروع

Synthesearch : أداة أبحاث ذكية تجد وتوليف الأوراق الأكثر صلة ، وتوفير الوقت للباحثين وتعزيز البصيرة.

---

ابدء

ابدأ الخادم (الخلفية)

1. انتقل إلى الدليل الخلفي:

    cd backend

2. إعداد بيئة افتراضية:

   python3 -m venv venv

3. تنشيط البيئة الافتراضية:

    source venv/bin/activate

4. تثبيت التبعيات:

   pip install -r requirement.txt

   ️ ملاحظة: على iOS ، تأكد من إزالة pywin32 من requirement.txt .

5. قم بتشغيل الخادم:

   uvicorn main:app --reload

---

ابدأ العميل (الواجهة الأمامية)

1. انتقل إلى دليل الواجهة الأمامية:

    cd frontend

2. تثبيت التبعيات:

   npm i

3. ابدأ خادم التطوير:

   npm run dev

---

مقدمة

Synthesearch هو تطبيق ويب مصمم لتبسيط عملية البحث للطلاب والباحثين من خلال تحديد موقع الأوراق البحثية ذات الصلة بكفاءة. غالبًا ما يقضي الباحثون ساعات في الغربلة من خلال الأوراق ، على أمل العثور على الدراسات التي تتناسب مع اهتماماتهم. يهدف Synthesearch إلى تقليل هذا الوقت من خلال اقتراح الأوراق الأكثر صلة بذكاء وتوليد توليف للكشف عن كيفية ترابط الدراسات ، مما يوفر للمستخدمين نظرة عامة ثاقبة يوفر الوقت ويعزز الفهم.

---

إلهام

جاء مصدر إلهام Synthesearch من تجاربنا كطلاب. قبل Hackumass XII ، كافح أحد أعضاء الفريق للعثور على أوراق بحثية حول تطبيقات تعلم الآلات في اكتشاف السرطان. كانت عملية تحديد موقع مصادر موثوقة مرهقة وتستغرق وقتًا طويلاً ، حتى مع أدوات البحث المحسنة للمكتبة. ألهمنا هذا الإحباط لتطوير محرك بحث أكثر كفاءة يستفيد من نماذج اللغة الكبيرة (LLM) وقواعد بيانات المتجهات لتجهيز الأبحاث ذات الصلة بسرعة وتلخيص ...

---

كيف بنينا المشروع

اخترنا Python للنهاية الخلفية بسبب أطر عمله الواسعة لتطوير الذكاء الاصطناعي. تم استخدام DataBricks لتبسيط خط أنابيب تعلم الآلة لدينا. إليكم كيف اقتربنا من بناء Synthesearch:

1. جمع البيانات : لقد بدأنا بإلغاء البيانات من المجموعة الأساسية لأوراق البحث المفتوحة.
2. ؟ التضمين : باستخدام Langchain ، قمنا بتنفيذ نموذج Openai للمعاد النصية -3-large لتحويل النصوص الورقية إلى تضمينات متجه.
3. التخزين : لقد استخدمنا LocationB كقاعدة بيانات المتجه لدينا ، وتخزين المتجهات المدمجة لاسترجاع سريع وفعال.
4. التلخيص والتوليف : استخدمنا نموذج GPT-4O-Mini من Openai لإنشاء ملخصات واقتراحات ورؤى توليف.
5. الواجهة الأمامية : قمنا ببناء واجهة المستخدم باستخدام React.js مع قالب TypeScript ، مما يوفر تجربة نظيفة وسريعة الاستجابة للمستخدمين.

---

؟ واجهت التحديات

• قضايا سير عمل GitHub : تباطأ تعارضات طلب السحب المتكرر تقدمنا ​​بسبب اندماج النزاعات.
• فجوات الاتصال : أدى سوء الفهم إلى عمل مكرر وعدم الكفاءة.

---

؟ الدروس المستفادة

كان هذا المشروع تجربة تعليمية لا تقدر بثمن. نظرًا لأنه كان أول مشروع LLM لدينا ، فقد اكتسبنا خبرة عملية مع Genai Technologies ، وخاصة قوة قواعد بيانات المتجهات. لقد تعلمنا أهمية التواصل الجماعي الواضح ، ولدينا الآن فهم أعمق لـ LLMs وقدراتها في إحداث ثورة في استرجاع المعلومات.

---

بنيت مع

• ؟ بيثون (تطوير الواجهة الخلفية)
• ؟ لانجشين (التضمين)
• locentb
• ؟ نماذج Openai GPT (تلخيص وتوليف)
• ⚛ رد فعل مع TypeScript (تطوير الواجهة الأمامية)
• ؟ Tailwindcss (التصميم)
• ⚡ فيت (أدوات)
• ؟ Databricks (خط أنابيب التعلم الآلي)

---

؟ تمكين الباحثين

من خلال Synthesearch ، نحن متحمسون للمساهمة في كفاءة عملية البحث ، وتمكين الباحثين من التركيز على الرؤى بدلاً من التحميل الزائد للمعلومات.