SyntheSearch

‍Eute Synthesearch

Autoren

• Lead -Projekt: Phong Cao
• KI -Entwickler: Phong Cao
• Backend: Phong Cao, Hien Hoang
• Frontend: Doanh Phung, Minh Bui

---

? Projektübersicht

Synthesearch : Ein intelligentes Forschungsinstrument, das die relevantesten Artikel findet und synthetisiert, die Forscher Zeit speichern und die Einsicht verbessern.

---

Erste Schritte

Server starten (Backend)

1. Navigieren Sie zum Backend -Verzeichnis:

    cd backend

2. Richten Sie eine virtuelle Umgebung ein:

   python3 -m venv venv

3. Aktivieren Sie die virtuelle Umgebung:

    source venv/bin/activate

4. Abhängigkeiten installieren:

   pip install -r requirement.txt

   Euen HINWEIS: Stellen Sie auf iOS sicher, dass pywin32 von requirement.txt entfernt wird.

5. Führen Sie den Server aus:

   uvicorn main:app --reload

---

Kunde starten (Frontend)

1. Navigieren Sie zum Frontend -Verzeichnis:

    cd frontend

2. Abhängigkeiten installieren:

   npm i

3. Starten Sie den Entwicklungsserver:

   npm run dev

---

Einführung

Synthesearch ist eine Webanwendung, die den Forschungsprozess für Studenten und Forscher rationalisiert, indem relevante Forschungsarbeiten effizient lokalisiert werden. Forscher verbringen oft Stunden damit, über Papiere zu sitzen und zu hoffen, die Studien zu finden, die ihren Interessen am besten entsprechen. Synthesearch zielt darauf ab, diese Zeit zu reduzieren, indem sie intelligent die relevantesten Artikel vorschlagen und eine Synthese generieren, um zu zeigen, wie die Studien miteinander zusammenhängen, und den Benutzern einen aufschlussreichen Überblick bietet, der Zeit spart und das Verständnis verbessert.

---

Inspiration

Die Inspiration für die Synthesearch kam aus unseren eigenen Erfahrungen als Schüler. Vor Hackumass XII hatte ein Teammitglied darum, Forschungsarbeiten zu maschinellen Lernanwendungen bei der Erkennung von Krebs zu finden. Der Prozess der Lokalisierung glaubwürdiger Quellen war anstrengend und zeitaufwändig, selbst bei optimierten Bibliothekssuch-Tools. Diese Frustration hat uns dazu inspiriert, eine effizientere Suchmaschine zu entwickeln, die große Sprachmodelle (LLM) und Vektor -Datenbanken nutzt, um relevante Forschung und Summar schnell aufzunehmen ...

---

Wie wir das Projekt aufgebaut haben

Wir haben Python für das Back End aufgrund seiner umfangreichen Rahmenbedingungen für die KI -Entwicklung gewählt. Databricks wurde verwendet, um unsere maschinenlernende Pipeline zu optimieren. So näherten wir uns mit der Erstellung von Synthesearch an:

1. Datenerfassung : Wir haben damit begonnen, Daten aus der Kernsammlung von Open-Access-Forschungsarbeiten abzukratzen.
2. ? Einbettung : Mit Langchain haben wir OpenAIs Text-Embedding-3-Large-Modell implementiert, um Papiertexte in Vektor-Einbettungen umzuwandeln.
3. Speicherung : Wir haben Lancyb als unsere Vektor -Datenbank verwendet und die eingebetteten Vektoren für schnelles und effizientes Abruf gespeichert.
4. Zusammenfassung und Synthese : Wir haben das GPT-4O-Mini-Modell von OpenAI verwendet, um Zusammenfassungen, Vorschläge und synthetisierte Erkenntnisse zu generieren.
5. Front-End : Wir haben die Benutzeroberfläche mit React.js mit einer TypeScript-Vorlage erstellt und eine saubere und reaktionsschnelle Erfahrung für Benutzer bereitgestellt.

---

? Herausforderungen gegenüber

• GitHub Workflow -Probleme : Häufige Pull -Anfrage -Konflikte haben unseren Fortschritt aufgrund von Zusammenführungskonflikten verlangsamt.
• Kommunikationslücken : Fehlkommunikation führte zu doppelten Arbeiten und Ineffizienzen.

---

? Lektionen gelernt

Dieses Projekt war eine unschätzbare Lernerfahrung. Da es sich um unser erstes LLM-Projekt handelte, haben wir praktische Erfahrungen mit Genai Technologies gesammelt, insbesondere mit der Leistung von Vektor-Datenbanken. Wir haben die Bedeutung einer klaren Teamkommunikation gelernt und haben nun ein tieferes Verständnis von LLMs und ihre Fähigkeiten, um das Abrufen des Informationen zu revolutionieren.

---

Gebaut mit

• ? Python (Backend -Entwicklung)
• ? Langchain (Einbettung)
• LancyB (Vector -Datenbank)
• ? OpenAI -GPT -Modelle (Zusammenfassung und Synthese)
• ⚛️ Reagieren Sie mit TypeScript (Front-End-Entwicklung)
• ? Rückenwindcss (Styling)
• ⚡ vite (Werkzeug)
• ? Datenblock (Pipeline für maschinelles Lernen)

---

? Forscher befähigen

Durch die Synthesearch freuen wir uns, zur Effizienz des Forschungsprozesses beizutragen und die Forscher dazu zu befähigen, sich eher auf Erkenntnisse als auf Informationsüberlastungen zu konzentrieren.