Pacific Northwest National Laboratory અને OpenAI ફેડરલ પરમિટિંગ ઝડપી બનાવવા ભાગીદારી કરે છે
નવું બેન્ચમાર્ક ઇન્ફ્રાસ્ટ્રક્ચર પરમિટિંગ સમયરેખાઓ ઘટાડવાની સંભાવના દર્શાવે છે
ફેડરલ સરકાર મહત્વપૂર્ણ ઇન્ફ્રાસ્ટ્રક્ચરને કેવી રીતે પરમિટ આપે છે તેનું આધુનિકીકરણ કરવું વધુ ઝડપી, વધુ સુરક્ષિત અને વધુ સ્પર્ધાત્મક અમેરિકન અર્થતંત્ર નિર્માણ માટે આવશ્યક છે. ઊર્જા પ્રોજેક્ટ્સ અને અદ્યતન મેન્યુફેક્ચરિંગથી લઈને પરિવહન અને જળ પ્રણાલીઓ સુધી, પરમિટિંગ નક્કી કરે છે કે આશાસ્પદ વિચારો વાસ્તવિક રોકાણોમાં કેટલી ઝડપથી રૂપાંતરિત થાય છે. છતાં આજે, પર્યાવરણીય અને તકનીકી સમીક્ષાઓમાં ઘણીવાર વર્ષો લાગી જાય છે, જેના કારણે નવીનતા ધીમી પડે છે, ખર્ચ વધે છે અને આ પ્રોજેક્ટ્સ સમુદાયોને આપતા લાભોમાં વિલંબ થાય છે.
એટલા માટે OpenAI એ યુ.એસ. ડિપાર્ટમેન્ટ ઑફ એનર્જીની Pacific Northwest National Laboratory (PNNL) અને તેની PermitAI™(નવી વિન્ડોમાં ખૂલે છે) ટીમ સાથે ભાગીદારી કરી છે, જેથી કોડિંગ એજન્ટ્સ ફેડરલ પરમિટિંગ કાર્યને અસરકારક રીતે ઝડપી બનાવવામાં મદદ કરી શકે છે કે નહીં તેનું મૂલ્યાંકન કરી શકાય. ડિપાર્ટમેન્ટ ઑફ એનર્જીના Office of Policy દ્વારા ભંડોળિત PermitAI પહેલ અને OpenAI એ National Environmental Policy Act સમીક્ષા પ્રક્રિયાના 19 વિષય નિષ્ણાતો સાથે મળીને એક બેન્ચમાર્ક (DraftNEPABench) તૈયાર કર્યું, જેથી AI મોડલ્સ NEPA વર્કફ્લોઝ સાથે સંબંધિત કાર્યો, જેમ કે environmental impact statements તૈયાર કરવાના કાર્યો, પર કેટલું સારું પ્રદર્શન કરે છે તેનું મૂલ્યાંકન કરી શકાય.
18 ફેડરલ એજન્સીઓના NEPA દસ્તાવેજ વિભાગોને આવરી લેતા પ્રતિનિધિત્વાત્મક ડ્રાફ્ટિંગ કાર્યોના સમૂહમાં, 19 નિષ્ણાતોએ શોધ્યું કે સામાન્યકૃત કોડિંગ એજન્ટ્સ NEPA દસ્તાવેજ ડ્રાફ્ટિંગ કાર્યને પ્રતિ ઉપવિભાગ 1 થી 5 કલાક સુધી ઝડપી બનાવી શકે છે—એટલે કે ડ્રાફ્ટિંગ સમયમાં અંદાજે 15% સુધીનો ઘટાડો—જે દર્શાવે છે કે AI જટિલ સરકારી વર્કફ્લોઝને ટેકો આપવા માટે મહત્વપૂર્ણ આગળનું પગલું બની શકે છે.
ફેડરલ પરમિટિંગ સરકારમાં એક જટિલ અને દસ્તાવેજ-પ્રધાન પ્રક્રિયા છે. સમીક્ષાઓમાં ઘણીવાર ટેકનિકલ અહેવાલોના સૈંકડો પાનાં વાંચવા, અનેક સ્ત્રોતોમાંથી માહિતીનું ક્રોસ-ચેકિંગ કરવું અને નિયમનકારી આવશ્યકતાઓને પૂર્ણ કરતી વિગતવાર વિશ્લેષણ તૈયાર કરવું આવશ્યક બને છે.
આ સહકાર દ્વારા, OpenAI અને PNNL એ શક્તિનું અન્વેષણ કર્યું(નવી વિન્ડોમાં ખૂલે છે) કે સામાન્યકૃત કોડિંગ એજન્ટ્સ (આ કિસ્સામાં, Codex CLI) ફાઇલ સિસ્ટમનો સમાવેશ કરતી સંશોધન, તકનીકી વિશ્લેષણ અને અહેવાલ લેખન કાર્યો માટે GPT‑5 જેવા রিজনિંગ મોડેલમાંથી પ્રદર્શન મેળવવાનો અસરકારક માર્ગ બની શકે છે. મોડલ્સને command-line interface નો ઍક્સેસ આપવાથી (જે સામાન્ય રીતે કોડિંગ કાર્યો માટે વપરાય છે), તેઓ હાથેથી બનાવેલી heuristics કરતાં કાર્ય ઉકેલવા માટે વધુ સામાન્ય વ્યૂહરચનાઓનો ઉપયોગ કરી શકે છે. આ એજન્ટ્સ માટે જરૂરી છે કે તેઓ:
- ટેકનિકલ અને નિયમનકારી સામગ્રીના સૈંકડો પાનાં આવરી લેતા દસ્તાવેજો વાંચે અને ચોક્કસ રીતે તેમનો સંક્ષેપ તૈયાર કરે
- અનેક પર્યાવરણીય, ઇજનેરી અને નિયમનકારી સ્ત્રોતોમાં તથ્યોની ચકાસણી કરે
- ખૂબ જ ચોક્કસ કાનૂની અને તકનીકી માપદંડોને પૂર્ણ કરતા સંરચિત અહેવાલો તૈયાર કરે
યુનાઇટેડ સ્ટેટ્સે આ Intelligence Age(નવી વિન્ડોમાં ખૂલે છે) માં પોતાની અર્થવ્યવસ્થા વિકસાવતી રાખવી હોય, તો તેને સુરક્ષિત રીતે, જવાબદારીપૂર્વક અને ઝડપથી નિર્માણ કરી શકવું જોઈએ. જેમ જેમ AI સિસ્ટમો ભૌતિક દુનિયામાં વધતો પ્રભાવ પાડે છે, તેમ તેમ અમારે સિવિલ એન્જિનિયરિંગ, પર્યાવરણીય અને નિયમનકારી વિશ્લેષણ જેવા ક્ષેત્રોમાં તેમની ક્ષમતાઓ સમજવી પડશે. સમય જતાં, અદ્યતન મોડલ્સને કાયદા અને નિયમોને ચોક્કસ રીતે સમજવાની જરૂર પડશે, કારણ કે તેઓ નવી અને વધુ સુરક્ષિત ટેકનોલોજીઓ શોધવામાં, કુદરતી સંસાધનોનું રક્ષણ કરવામાં અને માનવીય જરૂરિયાતો પૂરી કરવામાં મદદ કરશે.
50 વર્ષથી વધુ સમયથી, આ પ્રક્રિયા માટે ફેડરલ એજન્સીઓએ પુલો, વીજ ઉત્પાદન પ્લાન્ટો, ટ્રાન્સમિશન લાઇનો અને મેન્યુફેક્ચરિંગ સુવિધાઓ જેવા પ્રોજેક્ટ્સના પર્યાવરણીય પ્રભાવોની સમીક્ષા અને દસ્તાવેજીકરણ કરવું જરૂરી રહ્યું છે. આ બેન્ચમાર્ક ઓળખવામાં મદદ કરે છે કે આજના AI મોડલ્સ આ વર્કફ્લોઝને ઝડપી બનાવવા માટે જવાબદારીપૂર્વક માનવોને ક્યાં સહાય કરી શકે છે.
102 કાર્યોમાં (1–5 સ્કેલ) સરેરાશ મૂલ્યાંકન સ્કોર, મુખ્ય એજન્સી મુજબ જૂથબદ્ધ. સ્કોરમાં રચના, સ્પષ્ટતા, ચોકસાઈ અને સંદર્ભોના મૂલ્યાંકનોનો સમાવેશ થાય છે. 1 નો સ્કોર મોટી ખામીઓ દર્શાવે છે, 3 આંશિક રીતે સાચો ડ્રાફ્ટ દર્શાવે છે, અને 5 નો સ્કોર સંપૂર્ણ રીતે સાચો અને પૂર્ણ ડ્રાફ્ટ દર્શાવે છે.
સ્વાયત્તતાના જોખમને ઘટાડવા ઉપરાંત, આ કાર્ય નિષ્ણાતો અને AI માટે વધુ સારી ઇન્ટરફેસ ડિઝાઇન આગળ ધપાવી શકે છે. સ્થિર PDFs થી આગળ વધીને, કોડિંગ એજન્ટ્સ તેમના કામમાંથી ગતિશીલ વેબ-આધારિત અહેવાલો અને ઇન્ટરેક્ટિવ વિઝ્યુઅલાઇઝેશન્સ તૈયાર કરી શકે છે, જે માનવીય સમીક્ષકો માટે માન્યતા આપવાનું સરળ બનાવે છે.
AI સાથે, એજન્સીઓ પ્રસ્તાવોનું વધુ કાર્યક્ષમતાથી સમીક્ષણ, સંશોધન અને મંજૂરી આપી શકશે, અને સરકારી કર્મચારીઓને AI એજન્ટ્સની ટીમોથી બળ મળશે, જે તેમના કાર્યના સમયખાઉ ભાગોને સંભાળશે જેથી તેઓ વિવેક, દેખરેખ અને જટિલ નિર્ણયપ્રક્રિયા પર ધ્યાન કેન્દ્રિત કરી શકે. આ કાર્ય OpenAI ની જાહેર સેવા પ્રત્યેની વિશાળ પ્રતિબદ્ધતા અને OpenAI for Government ના તે ધ્યેય સાથે સુસંગત છે કે જાહેર સેવકોને એવા સાધનો પૂરા પાડવામાં આવે જે તેમને વધુ અસરકારક બનાવે અને વધુ સારી રીતે ટેકો આપે.
આ બેન્ચમાર્ક સારી રીતે નિર્ધારિત ડ્રાફ્ટિંગ કાર્યો પર મોડલ ક્ષમતાનું મૂલ્યાંકન કરે છે, જ્યાં સંબંધિત સંદર્ભ ઉપલબ્ધ હોય છે; તે વાસ્તવિક પરમિટિંગ નિર્ણયોની સંપૂર્ણ અનિશ્ચિતતા અને વિવેકસત્તાનું મૂલ્યાંકન કરતું નથી. તે ચોકસાઈ અને સંદર્ભોના યોગ્ય ઉપયોગ પર ભાર મૂકે છે જેથી સ્પષ્ટ થાય કે મોડલ્સ માનવીય સમીક્ષકોને ક્યાં સહાય કરી શકે. નિષ્ફળતા કિસ્સાઓની સમીક્ષા કરતાં અમે જોયું કે કેટલીક “ભૂલો” ખરેખર જૂના સંદર્ભો અને નબળા મૂલ્યાંકન માપદંડોના કારણે હતી, અને અમારે અનુરૂપ rubric અપડેટ કરવી પડી. વધુ સામાન્ય રીતે, જો સ્ત્રોત સામગ્રી અધૂરી, અસંગત અથવા જૂની હોય, તો સ્પષ્ટ સૂચનાઓ વિના મોડલ્સ આ અસંગતતાઓને ચિહ્નિત ન પણ કરે. વાસ્તવિક અમલીકરણોમાં નિષ્ણાત પ્રતિસાદ અને પુનરાવર્તન વધુ સંભવિત છે, અને તેનાથી આ સ્વનિર્ભર બેન્ચમાર્ક કાર્યોમાં જણાવાયેલા પરિણામોથી વધુ સારો પ્રદર્શન થવાની અપેક્ષા છે.
OpenAI, PNNL ને ફેડરલ એજન્સીઓને પરમિટિંગ પ્રક્રિયાઓ સુવ્યવસ્થિત કરવામાં મદદ કરવા માટે ડિઝાઇન કરાયેલી PermitAI(નવી વિન્ડોમાં ખૂલે છે) ની એપ્લિકેશન્સને વધુ વિકસાવવા અને સુધારવા માટે સહાય આપી રહ્યું છે. સમય જતાં, અમને અપેક્ષા છે કે ફેડરલી સમીક્ષિત ઇન્ફ્રાસ્ટ્રક્ચર પ્રોજેક્ટ્સ માટે મંજૂરી મેળવવાનો સરેરાશ સમય મહિનાઓમાંથી અઠવાડિયાં સુધી ઘટશે, જે પ્રોજેક્ટ વિકાસને ઝડપી બનાવશે, અમેરિકાની સ્પર્ધાત્મકતા મજબૂત કરશે અને લાંબા ગાળાના આર્થિક વિકાસને ટેકો આપશે.
