पॅसिफिक नॉर्थवेस्ट नॅशनल लॅबोरेटरी आणि OpenAI यांनी फेडरल परवानगी प्रक्रियेला गती देण्यासाठी भागीदारी केली आहे

फेडरल सरकार महत्त्वपूर्ण पायाभूत सुविधांना परवानगी देण्याची पद्धत आधुनिक करणे अधिक जलद, अधिक सुरक्षित आणि अधिक स्पर्धात्मक अमेरिकन अर्थव्यवस्था उभारण्यासाठी अत्यावश्यक आहे. ऊर्जा प्रकल्प आणि प्रगत उत्पादनापासून ते वाहतूक आणि जल प्रणालींपर्यंत, परवानगी प्रक्रिया आशादायक कल्पना वास्तव जगातील गुंतवणुकीत किती वेगाने रूपांतरित होतात हे ठरवते. तरीही आज, पर्यावरणीय आणि तांत्रिक पुनरावलोकनांना अनेकदा वर्षे लागतात, ज्यामुळे नवकल्पना मंदावते, खर्च वाढतो, आणि हे प्रकल्प समुदायांना देत असलेले फायदे उशिरा मिळतात.

म्हणूनच OpenAI ने यू.एस. ऊर्जा विभागाच्या पॅसिफिक नॉर्थवेस्ट नॅशनल लॅबोरेटरी (PNNL) आणि तिच्या PermitAI^TM⁠(नवीन विंडोमध्ये उघडेल) संघासोबत भागीदारी केली आहे, जेणेकरून कोडिंग एजंट्स फेडरल परवानगी प्रक्रियेला जबाबदारीने गती देण्यास मदत करू शकतात का याचे मूल्यांकन करता येईल. PermitAI, Department of Energy’s Office of Policy द्वारे निधी दिलेला एक उपक्रम, आणि OpenAI यांनी NEPA वर्कफ्लोशी संबंधित कामांवर, जसे की पर्यावरणीय प्रभाव निवेदनांचे मसुदे तयार करणे, AI मॉडेल्स किती चांगली कामगिरी करतात याचे मूल्यांकन करण्यासाठी (DraftNEPABench नावाचा) एक बेंचमार्क डिझाइन करण्यासाठी National Environmental Policy Act पुनरावलोकन प्रक्रियेवरील 19 विषयतज्ज्ञांसोबत एकत्र काम केले. 

18 फेडरल एजन्सींच्या NEPA दस्तऐवज विभागांमधील मसुदा तयार करण्याच्या कामांचा प्रतिनिधिक संच व्यापणाऱ्या कार्यांमध्ये, १९ तज्ज्ञांना आढळले की सामान्यीकृत कोडिंग एजंट्समध्ये NEPA दस्तऐवजांचा मसुदा तयार करण्याचे काम प्रति उपविभाग १ ते ५ तासांपर्यंत वेगवान करण्याची क्षमता आहे. मसुदा तयार करण्याच्या वेळेत सुमारे १५% पर्यंत घट होते. यामधून AI जटिल सरकारी कार्यप्रवाहांना कसा पाठिंबा देऊ शकते यामध्ये एक अर्थपूर्ण पुढचे पाऊल सूचित होते.

सरकारमध्ये फेडरल परवानगी प्रक्रिया ही गुंतागुंतीची आणि दस्तऐवज-भारित प्रक्रिया आहे. पुनरावलोकनांसाठी अनेकदा तांत्रिक अहवालांची शेकडो पानं वाचावी लागतात, अनेक स्रोतांमधील माहितीची पडताळणी करावी लागते, आणि नियामक आवश्यकता पूर्ण करणारी सविस्तर विश्लेषणे तयार करावी लागतात.

या सहकार्याद्वारे, OpenAI आणि PNNL ने शक्तीचा शोध घेतला⁠(नवीन विंडोमध्ये उघडेल) की कोडिंग एजंट्सना (या प्रकरणात, Codex CLI) जनरलाइझ करणे हे फाइल सिस्टीमचा समावेश असलेल्या रिसर्च, तांत्रिक विश्लेषण, आणि रिपोर्ट लेखनाच्या कामांसाठी GPT‑5 सारख्या रीझनिंग मॉडेल्समधून परफॉर्मन्स काढून घेण्याचा एक प्रभावी मार्ग आहे. मॉडेल्सना कमांड-लाइन इंटरफेस (सामान्यतः कोडिंग कामांसाठी वापरला जाणारा) वापरण्याची परवानगी दिल्याने, ते हाताने तयार केलेल्या ह्युरिस्टिक्सपेक्षा एखादे काम सोडवण्यासाठी अधिक सर्वसाधारण रणनीती वापरू शकतात. हे एजंट्स यासाठी आवश्यक आहेत:

• तांत्रिक आणि नियामक सामग्रीच्या शेकडो पृष्ठांवर पसरलेले दस्तऐवज वाचा आणि अचूकपणे संश्लेषण करा
• अनेक पर्यावरणीय, अभियांत्रिकी आणि नियामक स्रोतांमधून तथ्ये पडताळा करा
• अत्यंत विशिष्ट कायदेशीर आणि तांत्रिक निकष पूर्ण करणारे संरचित अहवाल मसुदा तयार करा

या बुद्धिमत्ता युगात⁠(नवीन विंडोमध्ये उघडेल) अमेरिकेला आपली अर्थव्यवस्था वाढत राहण्यासाठी, त्यांना सुरक्षितपणे, जबाबदारीने आणि जलद गतीने बांधकाम करता आले पाहिजे. AI प्रणाली भौतिक जगावर वाढत्या प्रमाणात परिणाम करत असताना, नागरी अभियांत्रिकी, पर्यावरण आणि नियामक विश्लेषण यांसारख्या क्षेत्रांमधील त्यांच्या क्षमतांना आपण समजून घेतले पाहिजे. कालांतराने, प्रगत मॉडेल्सना कायदे आणि नियम अचूकपणे समजून घेणे आवश्यक असेल, कारण ते नवीन आणि अधिक सुरक्षित तंत्रज्ञान शोधण्यात, नैसर्गिक संसाधनांचे संरक्षण करण्यात आणि मानवी गरजा पूर्ण करण्यात मदत करतात.

50 वर्षांपेक्षा जास्त काळ, या प्रक्रियेत फेडरल एजन्सींना पूल, वीज प्रकल्प, प्रसारण लाईन्स आणि उत्पादन सुविधा यांसारख्या प्रकल्पांच्या पर्यावरणीय परिणामांचे पुनरावलोकन करून त्यांचे दस्तऐवजीकरण करणे आवश्यक आहे. हा बेंचमार्क आजच्या AI मॉडेल्स या कार्यप्रवाहांना गती देण्यासाठी मानवांना जबाबदारीने कुठे सहाय्य करू शकतात हे ओळखण्यास मदत करतो. 

ऑटोनॉमीचे जोखीम कमी करण्याबरोबरच, हे काम तज्ञ आणि AI साठी अधिक चांगल्या इंटरफेसची रचना पुढे नेऊ शकते. स्थिर PDFsच्या पलीकडे जाऊन, कोडिंग एजंट्स त्यांच्या कामातून वेब-आधारित रिपोर्ट्स आणि इंटरॅक्टिव्ह व्हिज्युअलायझेशन्स डायनॅमिकरीत्या जनरेट करू शकतात, ज्यामुळे मानवी पुनरावलोकनकर्त्यांना व्हॅलिडेट करणे अधिक सोपे होते. 

AIसह, एजन्सी प्रस्तावांचे पुनरावलोकन, परिष्करण आणि मंजुरी अधिक कार्यक्षमतेने करू शकतील, आणि सरकारी कर्मचाऱ्यांना AI एजंट्सच्या संघांकडून लाभ मिळेल, ज्या त्यांच्या कामातील वेळखाऊ भाग हाताळतील, ज्यामुळे ते निर्णयक्षमता, देखरेख आणि गुंतागुंतीचे निर्णय घेणे यावर लक्ष केंद्रित करू शकतील. हे कार्य सार्वजनिक सेवेसाठी OpenAI च्या व्यापक वचनबद्धतेशी आणि OpenAI for Government च्या सार्वजनिक सेवकांना अधिक प्रभावी आणि समर्थित बनवणारी साधने उपलब्ध करून देण्याच्या उद्दिष्टाशी सुसंगत आहे.

हा बेंचमार्क संबंधित संदर्भ उपलब्ध असलेल्या, नीट-निर्दिष्ट मसुदा तयार करण्याच्या कामांवर मॉडेलची क्षमता मूल्यांकन करतो, वास्तविक जगातील परवानगी देण्याच्या निर्णयांमधील पूर्ण अस्पष्टता आणि स्वविवेक नव्हे. हे अचूकता आणि योग्य संदर्भ वापरावर भर देते, ज्यामुळे मॉडेल्स मानवी पुनरावलोकनकर्त्यांना कुठे सहाय्य करू शकतात हे स्पष्ट होते. अपयश प्रकरणांचे पुनरावलोकन करताना, आम्हाला आढळले की काही “त्रुटी” प्रत्यक्षात कालबाह्य संदर्भ आणि कमकुवत मूल्यांकन निकषांमुळे होत होते आणि त्यानुसार आम्हाला रूब्रिक अद्ययावत करावे लागले. अधिक सर्वसाधारणपणे, जर स्रोत सामग्री अपूर्ण, विसंगत, किंवा कालबाह्य असेल, तर स्पष्ट सूचनांशिवाय मॉडेल्स या विसंगतींची नोंद करू शकत नाहीत. वास्तविक जगातील डिप्लॉयमेंट्समध्ये तज्ज्ञांचा अभिप्राय आणि पुनरावृत्ती असण्याची शक्यता अधिक असते, ज्यामुळे या स्वयंपूर्ण बेंचमार्क कामांमध्ये नोंदवलेल्या पातळीपेक्षा पुढे जाऊन कामगिरी सुधारेल अशी अपेक्षा आहे. 

OpenAI फेडरल एजन्सींना परवानगी प्रक्रियेचे सुलभीकरण करण्यात मदत करण्यासाठी डिझाइन केलेल्या PermitAI⁠(नवीन विंडोमध्ये उघडेल)’च्या अनुप्रयोगांसाठी उपाय अधिक विकसित आणि परिष्कृत करण्यासाठी PNNL ला समर्थन देत आहे. वेळोवेळी, आम्हाला फेडरल स्तरावर पुनरावलोकन केलेल्या पायाभूत सुविधा प्रकल्पांसाठी मंजुरीसाठी लागणारा सरासरी वेळ महिन्यांवरून आठवड्यांपर्यंत कमी झालेला दिसेल अशी अपेक्षा आहे, ज्यामुळे प्रकल्प विकासाला गती मिळेल आणि U.S. ची स्पर्धात्मकता बळकट होईल तसेच दीर्घकालीन आर्थिक वाढीस पाठिंबा मिळेल.