SyntheSearch

‍♂️ Synthesearch

? ️ Penulis

• Proyek utama: Phong Cao
• Pengembang AI: Phong Cao
• Backend: Phong Cao, Hien Hoang
• Frontend: Doanh Phung, Minh Bui

---

? Tinjauan Proyek

Synthesearch : Alat penelitian pintar yang menemukan dan mensintesis makalah yang paling relevan, menghemat waktu peneliti dan meningkatkan wawasan.

---

Memulai

Mulai server (backend)

1. Arahkan ke direktori backend:

    cd backend

2. Siapkan lingkungan virtual:

   python3 -m venv venv

3. Aktifkan lingkungan virtual:

    source venv/bin/activate

4. Instal dependensi:

   pip install -r requirement.txt

   ️ Catatan: Di iOS, pastikan pywin32 dihapus dari requirement.txt .

5. Jalankan server:

   uvicorn main:app --reload

---

Mulai Klien (Frontend)

1. Arahkan ke Direktori Frontend:

    cd frontend

2. Instal dependensi:

   npm i

3. Mulai server pengembangan:

   npm run dev

---

Perkenalan

Synthesearch adalah aplikasi web yang dirancang untuk merampingkan proses penelitian bagi siswa dan peneliti dengan secara efisien menemukan makalah penelitian yang relevan. Para peneliti sering menghabiskan berjam -jam menyaring makalah, berharap menemukan studi yang paling sesuai dengan minat mereka. Synthesearch bertujuan untuk mengurangi waktu ini dengan secara cerdas menyarankan makalah yang paling relevan dan menghasilkan sintesis untuk mengungkapkan bagaimana studi saling terkait, menawarkan gambaran mendalam kepada pengguna yang menghemat waktu dan meningkatkan pemahaman.

---

Inspirasi

Inspirasi untuk Synthesearch datang dari pengalaman kami sendiri sebagai siswa. Sebelum Hackumass XII, satu anggota tim berjuang untuk menemukan makalah penelitian tentang aplikasi pembelajaran mesin dalam deteksi kanker. Proses menemukan sumber yang kredibel melelahkan dan memakan waktu, bahkan dengan alat pencarian perpustakaan yang dioptimalkan. Frustrasi ini mengilhami kami untuk mengembangkan mesin pencari yang lebih efisien yang memanfaatkan model bahasa besar (LLM) dan database vektor untuk dengan cepat permukaan penelitian dan ringkasan yang relevan ...

---

Bagaimana kami membangun proyek

Kami memilih Python untuk ujung belakang karena kerangka kerja yang luas untuk pengembangan AI. Databricks digunakan untuk merampingkan pipa pembelajaran mesin kami. Begini cara kami mendekati membangun Synthesearch:

1. Pengumpulan Data : Kami mulai dengan mengikis data dari koleksi inti makalah penelitian akses terbuka.
2. ? Embedding : Menggunakan Langchain, kami mengimplementasikan model openai-embedding-3-besar untuk mengubah teks kertas menjadi embeddings vektor.
3. Penyimpanan : Kami menggunakan LandedB sebagai database vektor kami, menyimpan vektor tertanam untuk pengambilan yang cepat dan efisien.
4. Ringkasan dan sintesis : Kami menggunakan model GPT-4O-Mini Openai untuk menghasilkan ringkasan, saran, dan wawasan yang disintesis.
5. Front-end : Kami membangun antarmuka pengguna menggunakan react.js dengan templat naskah, memberikan pengalaman yang bersih dan responsif bagi pengguna.

---

? Tantangan yang dihadapi

• Masalah alur kerja GitHub : Konflik permintaan tarik sering memperlambat kemajuan kami karena konflik penggabungan.
• Kesenjangan Komunikasi : Miskomunikasi menyebabkan pekerjaan dan inefisiensi yang digandakan.

---

? Pelajaran yang dipetik

Proyek ini adalah pengalaman belajar yang sangat berharga. Karena ini adalah proyek LLM pertama kami, kami mendapatkan pengalaman langsung dengan teknologi Genai, terutama kekuatan database vektor. Kami belajar pentingnya komunikasi tim yang jelas, dan kami sekarang memiliki pemahaman yang lebih dalam tentang LLM dan kemampuan mereka dalam merevolusi pengambilan informasi.

---

Dibangun dengan

• ? Python (pengembangan backend)
• ? Langchain (penyematan)
• LANCEDB (Vektor Database)
• ? Model OpenAI GPT (ringkasan dan sintesis)
• ⚛️ Bereaksi dengan naskah (pengembangan front-end)
• ? Tailwindcss (styling)
• ⚡ vite (perkakas)
• ? Databricks (pipa pembelajaran mesin)

---

? Memberdayakan peneliti

Melalui Synthesearch, kami senang berkontribusi pada efisiensi proses penelitian, memberdayakan para peneliti untuk fokus pada wawasan daripada kelebihan informasi.