از یک چتبات هوش مصنوعی عمومی دربارهی سندی که آپلود کردهاید سؤال بپرسید، جواب مطمئن و خوشنوشتهای میگیرید. مشکل وقتی خودش را نشان میدهد که واقعاً بخواهید به آن جواب برای تصمیمی مهم اعتماد کنید — هیچ راهی برای چککردن اینکه جواب از کجا آمده نیست، مگر اینکه کل سند را دوباره خودتان بخوانید، که دقیقاً همان کاریست که سؤالپرسیدن قرار بود از آن جلوگیری کند.
جستوجوی معنایی، نه فقط کلمهی کلیدی
جستوجوی مبتنی بر کلمهی کلیدی سؤالهایی را که با کلمات متفاوت از متن اصلی پرسیده شوند از دست میدهد. فایلانرژی بهجای آن، اسناد را با vector embedding ایندکس میکند — هر بخش از یک PDF، صفحهگسترده یا ارائه بهشکلی رمزگذاری میشود که یک سؤال میتواند با یک پاراگراف تطبیق پیدا کند حتی اگر هیچکدام از کلمات یکسان نباشند. همین باعث میشود «ریسک ما روی خط لولهی شمالی چقدره» پاراگرافی را پیدا کند که اصلاً کلمهی «ریسک» در آن نیامده.
جوابی بدون استناد، فقط حدسی با دستور زبان خوب است
بخشی که واقعاً اهمیت دارد این است: هر جواب با یک استناد در سطح صفحه همراه است که به سند منبع اشاره میکند. حرف هوش مصنوعی را باور نمیکنید — روی استناد کلیک میکنید و همان پاراگراف دقیق را میخوانید. اگر استناد چیزی را که جواب ادعا میکند نگوید، همان لحظه متوجه میشوید، نه سه تصمیم بعد.
OCR یعنی PDFهای اسکنشده هم حساب میشوند
بخش زیادی از کتابخانههای پژوهشی نیمی متن قابلجستوجو و نیمی صفحات اسکنشدهایست که هرگز OCR نشدهاند، یعنی نیمی از کتابخانه برای هر ابزار جستوجویی نامرئی است. فایلانرژی هنگام ورود سند OCR اجرا میکند، پس یک گزارش اسکنشدهی پنجسالپیش دقیقاً بههمان اندازهی چیزی که دیروز نوشته شده قابلجستوجوست.
