SyntheSearch

Synthesearch

? ️ авторы

• Ведущий проект: Phong Cao
• Разработчик ИИ: Фонг Цао
• Бэкэнд: Фонг Цао, Хиен Хоанг
• Frontend: Doanh Phung, Minh Bui

---

? Обзор проекта

Synthesearch : интеллектуальный инструмент исследования, который находит и синтезирует наиболее важные статьи, экономя время исследователей и улучшая понимание.

---

Начиная

Start Server (Backend)

1. Перейдите в справочный каталог:

    cd backend

2. Настройте виртуальную среду:

   python3 -m venv venv

3. Активировать виртуальную среду:

    source venv/bin/activate

4. Установить зависимости:

   pip install -r requirement.txt

   ️ ПРИМЕЧАНИЕ. На iOS убедитесь, что pywin32 удален из requirement.txt .

5. Запустите сервер:

   uvicorn main:app --reload

---

Начать клиент (фронт)

1. Перейдите к каталогу Frontend:

    cd frontend

2. Установить зависимости:

   npm i

3. Запустите сервер разработки:

   npm run dev

---

Введение

Synthesearch - это веб -приложение, предназначенное для оптимизации процесса исследования для студентов и исследователей путем эффективного определения расположения соответствующих исследовательских работ. Исследователи часто проводят часы, просеивая документы, надеясь найти исследования, которые наилучшим образом соответствуют их интересам. Синтезированное исследование направлено на сокращение этого времени, разумно предложив наиболее релевантные статьи и создавая синтез, чтобы выявить, как исследования взаимосвязаны, предлагая пользователям проницательный обзор, который экономит время и улучшает понимание.

---

Вдохновение

Вдохновение для Synthesearch произошло из нашего собственного опыта в качестве студентов. Перед Hackumass XII один член команды изо всех сил пытался найти исследовательские работы по приложениям по машинному обучению в обнаружении рака. Процесс поиска достоверных источников был утомительным и трудоемким, даже с оптимизированными инструментами поиска библиотеки. Это разочарование вдохновило нас на разработку более эффективной поисковой системы, которая использует большие языковые модели (LLM) и векторные базы данных, чтобы быстро вывести соответствующие исследования и суммирование ...

---

Как мы построили проект

Мы выбрали Python для заднего конца из -за его обширных рамок для развития ИИ. DataBricks использовался для оптимизации нашего машинного трубопровода. Вот как мы подошли к строительству синтезированного исследования:

1. Сбор данных : мы начали с очистки данных из основной коллекции исследовательских работ с открытым доступом.
2. ? Внедрение : Используя Langchain, мы внедрили модель Text-Embedding-3, для преобразования бумажных текстов в векторные встраивания.
3. Хранение : мы использовали LANCANCB в качестве нашей векторной базы данных, хранение встроенных векторов для быстрого и эффективного поиска.
4. Суммизация и синтез : мы использовали модель GPT-4O-Mini от GPT-4O для получения резюме, предложений и синтезированных идей.
5. Front-Tend : Мы создали пользовательский интерфейс, используя React.js с шаблоном TypeScript, обеспечивая чистый и отзывчивый опыт для пользователей.

---

? Проблемы столкнулись

• Проблемы с рабочим процессом GitHub : частые запросы на притяжение конфликты замедлили наш прогресс из -за конфликтов слияния.
• Пробелы в общении : недопонимание привело к дублированной работе и неэффективности.

---

? Уроки извлечены

Этот проект был бесценным опытом обучения. Поскольку это был наш первый проект LLM, мы получили практический опыт работы с Genai Technologies, в частности, сила векторных баз данных. Мы узнали о важности четкого общения в команде, и теперь у нас более глубокое понимание LLMS и их возможностей в революции информации о поиске информации.

---

Построен с

• ? Python (развитие бэкэнд)
• ? Langchain (встраивание)
• Lancedb (векторная база данных)
• ? Openai GPT модели (суммирование и синтез)
• ⚛ реагировать с TypeScript (Front-End Development)
• ? Tailwindcss (стиль)
• ⚡ Vite (инструмент)
• ? DataBricks (трубопровод машинного обучения)

---

? Расширение прав и возможностей исследователей

Благодаря Synthesearch мы рады внести свой вклад в эффективность процесса исследования, позволяя исследователям сосредоточиться на понимании, а не на информационной перегрузке.