ഫെഡറൽ അനുമതികൾ ത്വരിതപ്പെടുത്തുന്നതിന് പസഫിക് നോർത്ത് വെസ്റ്റ് നാഷണൽ ലബോറട്ടറിയും OpenAI-യും പങ്കാളികളായി

കൂടുതൽ വേഗതയേറിയതും സുരക്ഷിതവും മത്സരക്ഷമവുമായ യു.എസ്. സമ്പദ്‌വ്യവസ്ഥ കെട്ടിപ്പടുക്കുന്നതിന്, നിർണ്ണായകമായ അടിസ്ഥാന സൗകര്യങ്ങൾക്ക് ഫെഡറൽ ഗവൺമെന്റ് അനുമതി നൽകുന്ന രീതി ആധുനികവൽക്കരിക്കേണ്ടത് അത്യന്താപേക്ഷിതമാണ്. ഊർജ്ജ പദ്ധതികൾ, അത്യാധുനിക നിർമ്മാണം എന്നിവ മുതൽ ഗതാഗതവും ജലവിതരണ സംവിധാനങ്ങളും വരെ, മികച്ച ആശയങ്ങൾ എത്ര വേഗത്തിൽ പ്രായോഗിക നിക്ഷേപങ്ങളായി മാറുന്നു എന്ന് നിർണ്ണയിക്കുന്നത് ഈ അനുമതികളാണ്. എന്നിരുന്നാലും ഇന്ന്, പാരിസ്ഥിതികവും സാങ്കേതികവുമായ അവലോകനങ്ങൾക്ക് പലപ്പോഴും വർഷങ്ങൾ എടുക്കുന്നു, ഇത് നവീകരണത്തെ മന്ദഗതിയിലാക്കുകയും ചെലവുകൾ വർദ്ധിപ്പിക്കുകയും ഈ പദ്ധതികൾ സമൂഹത്തിന് നൽകേണ്ട പ്രയോജനങ്ങൾ വൈകിപ്പിക്കുകയും ചെയ്യുന്നു.

അതുകൊണ്ടാണ്, കോഡിംഗ് ഏജന്റുകൾക്ക് ഫെഡറൽ അനുമതി പ്രവർത്തനങ്ങൾ ഉത്തരവാദിത്തത്തോടെ വേഗത്തിലാക്കാൻ കഴിയുമോ എന്ന് വിലയിരുത്തുന്നതിനായി, യു.എസ്. ഡിപ്പാർട്ട്മെന്റ് ഓഫ് എനർജിയുടെ പസഫിക് നോർത്ത്‌വെസ്റ്റ് നാഷണൽ ലബോറട്ടറിയുമായും (PNNL) അവരുടെ PermitAI^TM⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ടീമുമായും OpenAI പങ്കാളിത്തത്തിൽ ഏർപ്പെട്ടത്. ഊർജ്ജ വകുപ്പിന്റെ ഓഫീസ് ഓഫ് പോളിസി ധനസഹായം നൽകുന്ന PermitAI എന്ന സംരംഭവും OpenAI-യും ചേർന്ന്, ദേശീയ പരിസ്ഥിതി നയ നിയമം (NEPA) അവലോകന പ്രക്രിയയിലെ 19 വിദഗ്ധരുമായി ചേർന്ന് DraftNEPABench എന്ന പേരിൽ ഒരു മാനദണ്ഡം രൂപകൽപ്പന ചെയ്തു, പരിസ്ഥിതി ആഘാത പ്രസ്താവനകൾ തയ്യാറാക്കുന്നത് പോലുള്ള NEPA പ്രവർത്തനങ്ങളിൽ AI മോഡലുകൾ എത്രത്തോളം നന്നായി പ്രവർത്തിക്കുന്നു എന്ന് വിലയിരുത്തുന്നതിനായാണ് ഇത് തയ്യാറാക്കിയത്. 

18 ഫെഡറൽ ഏജൻസികളിൽ നിന്നുള്ള NEPA രേഖകളുടെ വിവിധ ഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്ന പ്രതിനിധാനപരമായ ടാസ്‌ക്കുകളിലൂടെ സാധാരണ കോഡിംഗ് ഏജന്റുകൾക്ക് ഓരോ ഉപവിഭാഗം തയ്യാറാക്കുന്നതിലും 1 മുതൽ 5 മണിക്കൂർ വരെ ലാഭിക്കാൻ കഴിയുമെന്ന് 19 വിദഗ്ധർ കണ്ടെത്തി, ഇത് രേഖകൾ തയ്യാറാക്കുന്ന സമയത്തിൽ ഏകദേശം 15% വരെ കുറവുണ്ടാക്കുന്നു; സങ്കീർണ്ണമായ സർക്കാർ പ്രവർത്തനങ്ങളെ പിന്തുണയ്ക്കുന്നതിൽ AI-ക്ക് എത്രത്തോളം വലിയ പങ്ക് വഹിക്കാനാകും എന്നതിന്റെ സൂചനയാണിത്.

ഫെഡറൽ അനുമതി നൽകൽ സർക്കാർ മേഖലയിൽ സങ്കീർണ്ണവും ധാരാളം രേഖകൾ ആവശ്യമുള്ളതുമായ ഒരു പ്രക്രിയയാണ്. അവലോകനങ്ങൾക്ക് പലപ്പോഴും നൂറുകണക്കിന് പേജുകളുള്ള സാങ്കേതിക റിപ്പോർട്ടുകൾ വായിക്കൽ, ഒന്നിലധികം ഉറവിടങ്ങളിലുടനീളം വിവരങ്ങൾ ക്രോസ്-ചെക്ക് ചെയ്യൽ, കൂടാതെ നിയന്ത്രണാനുസരണ ആവശ്യകതകൾ പാലിക്കേണ്ട വിശദമായ വിശകലനങ്ങൾ തയ്യാറാക്കൽ എന്നിവ ആവശ്യമാണ്.

ഈ സഹകരണത്തിലൂടെ, ഗവേഷണം, സാങ്കേതിക വിശകലനം, ഫയൽ സിസ്റ്റം ഉൾപ്പെടുന്ന റിപ്പോർട്ട് തയ്യാറാക്കൽ തുടങ്ങിയ ജോലികളിൽ GPT‑5 പോലുള്ള റീസണിംഗ് മോഡലുകളുടെ മികച്ച പ്രകടനം പുറത്തെടുക്കാൻ (Codex CLI) പോലെയുള്ള പൊതുവായ കോഡിംഗ് ഏജന്റുകളെ ഫലപ്രദമായി ഉപയോഗിക്കുന്നതിനെക്കുറിച്ച് OpenAI-യും PNNL-യും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പര്യവേക്ഷണം ചെയ്തു. മോഡലുകൾക്ക് ഒരു കമാൻഡ്-ലൈൻ ഇന്റർഫേസിലേക്കുള്ള ആക്‌സസ് നൽകുന്നതിലൂടെ (സാധാരണയായി കോഡിംഗ് ടാസ്കുകൾക്കായി ഉപയോഗിക്കുന്നത്), നേരത്തെ നിശ്ചയിച്ചുറപ്പിച്ച ലളിതമായ രീതികളേക്കാൾ ഒരു ടാസ്ക് പരിഹരിക്കാൻ കൂടുതൽ പൊതുവായ തന്ത്രങ്ങൾ അവർക്ക് ഉപയോഗിക്കാനാകും. ഈ ഏജൻ്റുകൾ ഇവ ചെയ്യേണ്ടതുണ്ട്:

• നൂറുകണക്കിന് പേജുകളുള്ള സാങ്കേതികവും നിയന്ത്രണപരവുമായ ഉള്ളടക്കത്തിന്റെ വ്യാപിക്കുന്ന രേഖകൾ വായിക്കുകയും കൃത്യമായി സംഗ്രഹിക്കുകയും ചെയ്യുക
• ഒന്നിലധികം പരിസ്ഥിതി, എഞ്ചിനീയറിംഗ്, നിയന്ത്രണ ഉറവിടങ്ങളിലുടനീളം വസ്തുതകൾ സ്ഥിരീകരിക്കുക
• ഉയർന്ന അളവിലുള്ള നിയമപരവും സാങ്കേതികവുമായ മാനദണ്ഡങ്ങൾ പാലിക്കുന്ന ഘടനാപരമായ റിപ്പോർട്ടുകൾ തയ്യാറാക്കുക

ഈ ഇന്റലിജൻസ് യുഗത്തിൽ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) അമേരിക്കയ്ക്ക് അതിന്റെ സമ്പദ്‌വ്യവസ്ഥയുടെ വളർച്ച തുടരണമെങ്കിൽ സുരക്ഷിതമായും ഉത്തരവാദിത്വത്തോടെയും വേഗത്തിലും നിർമ്മിക്കാൻ കഴിയണം. AI സിസ്റ്റങ്ങൾ ഭൗതിക ലോകത്തെ കൂടുതൽ കൂടുതൽ സ്വാധീനിക്കുമ്പോൾ, സിവിൽ എഞ്ചിനീയറിംഗ്, പരിസ്ഥിതി, നിയന്ത്രണാത്മക വിശകലനം തുടങ്ങിയ മേഖലകളിൽ അവയ്ക്കുള്ള കഴിവുകളെക്കുറിച്ച് നമ്മൾ മനസ്സിലാക്കേണ്ടതുണ്ട്. കാലക്രമേണ, നൂതന മോഡലുകൾ പുതിയതും കൂടുതൽ സുരക്ഷിതവുമായ സാങ്കേതികവിദ്യകൾ കണ്ടുപിടിക്കാൻ സഹായിക്കുമ്പോഴും, പ്രകൃതി വിഭവങ്ങളെ സംരക്ഷിക്കുമ്പോഴും, മനുഷ്യ ആവശ്യങ്ങൾ നിറവേറ്റുമ്പോഴും, നിയമങ്ങളും ചട്ടങ്ങളും കൃത്യമായി മനസ്സിലാക്കേണ്ടിവരും.

50 വർഷത്തിലധികമായി, പാലങ്ങൾ, വൈദ്യുത നിലയങ്ങൾ, ട്രാൻസ്മിഷൻ ലൈനുകൾ, നിർമ്മാണ സൗകര്യങ്ങൾ എന്നിവ പോലുള്ള പദ്ധതികളുടെ പാരിസ്ഥിതിക ആഘാതങ്ങൾ അവലോകനം ചെയ്യാനും അവ രേഖപ്പെടുത്താനും ഫെഡറൽ ഏജൻസികളോട് ഈ പ്രക്രിയ ആവശ്യപ്പെടുന്നു. ഇന്നത്തെ AI മോഡലുകൾക്ക് ഈ പ്രവർത്തനരീതികൾ വേഗത്തിലാക്കുന്നതിൽ മനുഷ്യരെ ഉത്തരവാദിത്തത്തോടെ സഹായിക്കാൻ കഴിയുന്നിടങ്ങൾ തിരിച്ചറിയാൻ ഈ മാനദണ്ഡം സഹായിക്കുന്നു. 

സ്വയംഭരണക്ഷമതയിലെ അപകടസാധ്യത കുറയ്ക്കുന്നതിനൊപ്പം, ഈ പ്രവർത്തനം വിദഗ്ധർക്കും AI-ക്കും ഇടയിലുള്ള കൂടുതൽ മികച്ച ഇന്റർഫേസുകൾ രൂപകൽപ്പന ചെയ്യുന്നതിനും സഹായിക്കും. സ്ഥിരമായ PDF-കളെ മറികടന്ന്, കോഡിംഗ് ഏജന്റുകൾക്ക് അവരുടെ പ്രവർത്തനത്തിൽ നിന്ന് വെബ്-അധിഷ്ഠിത റിപ്പോർട്ടുകളും ഇന്ററാക്ടീവ് ദൃശ്യവൽക്കരണങ്ങളും ചലനാത്മകമായി നിർമ്മിക്കാൻ കഴിയും; ഇത് മനുഷ്യ അവലോകകരെ സാധൂകരിക്കൽ എളുപ്പമാക്കുന്നു. 

AI ഉപയോഗിച്ച്, ഏജൻസികൾക്ക് നിർദേശങ്ങൾ കൂടുതൽ കാര്യക്ഷമമായി അവലോകനം ചെയ്യാനും മെച്ചപ്പെടുത്താനും അംഗീകരിക്കാനും കഴിയും, കൂടാതെ സർക്കാർ ജീവനക്കാരുടെ ജോലിയിലെ സമയം ഏറെ ആവശ്യമുള്ള ഭാഗങ്ങൾ കൈകാര്യം ചെയ്യാൻ AI ഏജന്റുകളുടെ സഹായം ലഭിക്കുന്നതിലൂടെ, അവർക്ക് കൂടുതൽ പ്രധാനപ്പെട്ട കാര്യങ്ങളായ നിരീക്ഷണം, സങ്കീർണ്ണമായ തീരുമാനങ്ങൾ എടുക്കൽ എന്നിവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ കഴിയും. ഈ പ്രവർത്തനം പൊതുസേവനത്തോടുള്ള OpenAI-യുടെ വിപുലമായ പ്രതിബദ്ധതയോടും, പൊതുസേവകരെ കൂടുതൽ ഫലപ്രദരാക്കുകയും പിന്തുണയോടെ പ്രവർത്തിക്കാൻ സഹായിക്കുകയും ചെയ്യുന്ന ഉപകരണങ്ങൾ നൽകുക എന്ന OpenAI for Government-ന്റെ ലക്ഷ്യത്തോടും ചേർന്നുനിൽക്കുന്നു.

ഈ മാനദണ്ഡം പ്രസക്തമായ വിവരങ്ങൾ ലഭ്യമായ കൃത്യമായി നിർവ്വചിക്കപ്പെട്ട ഡ്രാഫ്റ്റിംഗ് ജോലികളിലെ മോഡലിന്റെ കഴിവിനെയാണ് വിലയിരുത്തുന്നത്; യഥാർത്ഥ ലോക പെർമിറ്റിംഗ് തീരുമാനങ്ങളിലെ സങ്കീർണ്ണതകളോ വിവേചനാധികാരമോ ഇതിൽ ഉൾപ്പെടുന്നില്ല. മോഡലുകൾ മനുഷ്യ അവലോകനകരെ എവിടെ സഹായിക്കാമെന്ന് വ്യക്തമാക്കുന്നതിനായി, ഇത് കൃത്യതയും ശരിയായ റഫറൻസ് ഉപയോഗവും ഊന്നിപ്പറയുന്നു. പരാജയപ്പെട്ട കേസുകൾ അവലോകനം ചെയ്യുമ്പോൾ, ചില “പിശകുകൾ” യഥാർത്ഥത്തിൽ പഴയ വിവരസ്രോതസ്സുകളും ദുർബലമായ മൂല്യനിർണ്ണയ മാനദണ്ഡങ്ങളും മൂലമാണെന്ന് ഞങ്ങൾ കണ്ടെത്തി, അതനുസരിച്ച് മൂല്യനിർണ്ണയ നിയമങ്ങളിൽ മാറ്റം വരുത്തേണ്ടി വന്നു. കൂടുതൽ പൊതുവായി, ഉറവിട സാമഗ്രികൾ അപൂർണ്ണമോ, അസംഘടിതമോ, അല്ലെങ്കിൽ കാലഹരണപ്പെട്ടതോ ആണെങ്കിൽ, പ്രത്യേക നിർദ്ദേശങ്ങൾ നൽകാതെ അത്തരം വൈരുദ്ധ്യങ്ങൾ ചൂണ്ടിക്കാണിക്കാൻ മോഡലുകൾക്ക് കഴിഞ്ഞെന്ന് വരില്ല. യഥാർത്ഥ ലോകത്തിലെ ഉപയോഗങ്ങളിൽ വിദഗ്ധരുടെ ഫീഡ്ബാക്കും ആവർത്തനവും ഉൾപ്പെടാൻ കൂടുതൽ സാധ്യതയുണ്ട്; ഇത് സ്വതന്ത്രമായ മാനദണ്ഡ ടാസ്കുകളിൽ റിപ്പോർട്ട് ചെയ്തതിനെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കാൻ സഹായിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു. 

ഫെഡറൽ ഏജൻസികൾക്ക് അനുമതി നൽകൽ പ്രക്രിയകൾ ലളിതമാക്കാൻ സഹായിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത PermitAI⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-യുടെ ആപ്ലിക്കേഷനുകൾ കൂടുതൽ വികസിപ്പിക്കുന്നതിനും പരിഷ്കരിക്കുന്നതിനും OpenAI PNNL-നെ പിന്തുണയ്ക്കുന്നു. കാലക്രമേണ, ഫെഡറൽ അവലോകനത്തിന് വിധേയമായ അടിസ്ഥാന സൗകര്യ പദ്ധതികൾക്ക് അംഗീകാരം ലഭിക്കാൻ എടുക്കുന്ന ശരാശരി സമയം മാസങ്ങളിൽ നിന്ന് ആഴ്ചകളിലേക്കായി കുറയുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു; ഇതിലൂടെ പദ്ധതി വികസനം വേഗത്തിലാകുകയും U.S. മത്സരക്ഷമത ശക്തിപ്പെടുകയും ദീർഘകാല സാമ്പത്തിക വളർച്ചയ്ക്ക് പിന്തുണ ലഭിക്കുകയും ചെയ്യും.