HN เปิดตัว: สร้างเว็บไซต์สำหรับค้นหาเชิงความหมายในงานวิจัย ArXiv (papermatch.mitanshu.tech) 2 คะแนน โดย GN⁺ 2024-12-26 | 1 ความคิดเห็น | แชร์ทาง WhatsApp บทความที่เกี่ยวข้อง ArXiv GPT - AI แปล สรุป วิเคราะห์ และตอบ QnA ให้กับงานวิจัยทั่วโลกได้อัตโนมัติในครั้งเดียว!!! 20 คะแนน · 7 ความคิดเห็น · 2023-12-05 ArXiv Paper Reader - โอเพนซอร์สที่ทำให้อ่านงานวิจัยจาก ArXiv ได้เป็นเสียง/วิดีโอ 6 คะแนน · 1 ความคิดเห็น · 2024-03-20 ArXiv เปิดให้บริการบทความวิจัยในรูปแบบ HTML แล้ว 14 คะแนน · 1 ความคิดเห็น · 2023-12-22 การแมป Hacker News เพื่อค้นหาว่าใครรู้อะไรในชุมชน HN 1 คะแนน · 1 ความคิดเห็น · 2024-07-27 HTML ในฐานะแฟอร์แมตที่เข้าถึงได้สำหรับบทความวิจัย (2023) 2 คะแนน · 1 ความคิดเห็น · 2025-12-08 1 ความคิดเห็น GN⁺ 2024-12-26 ความเห็นจาก Hacker News ดีใจที่ได้เห็นโปรเจกต์แบบนี้ หากจะขยายไปไกลกว่า arXiv ควรคำนึงว่าในการทบทวนวรรณกรรม ขอบเขต เป็นเรื่องสำคัญ น่าเสียดายที่สำนักพิมพ์รายใหญ่อย่าง Elsevier และ Springer กำลังกดดันให้ดัชนีอื่น ๆ อย่าง OpenAlex ลบบทคัดย่อออก ทำให้เข้าถึงได้ยากขึ้น สงสัยว่าได้ลองดูเครื่องมืออย่าง undermind.ai, scite.ai, elicit.org แล้วหรือยัง นอกจากการค้นหาแล้ว ก็น่าคิดว่า โฟลว์ผลิตภัณฑ์เฉพาะสำหรับการทบทวนวรรณกรรม ควรมีอะไรบ้าง เคยทำงานที่ scite.ai มาก่อน มี PaperMatchBio(https://papermatchbio.mitanshu.tech/) สำหรับ bioRxiv และ PaperMatchMed(https://papermatchmed.mitanshu.tech/) สำหรับ medRxiv แต่ก็เห็นด้วยว่า การมีหลายไซต์แยกตามสาขาไม่ใช่แนวทางที่เหมาะ ยังไม่ได้สร้าง ไปป์ไลน์ซิงก์ สำหรับทั้งสองตัวนี้ ผลลัพธ์จึงอาจเก่าไปบ้าง การที่สำนักพิมพ์ใหญ่ ๆ ทำให้บทคัดย่อถูกลบออกน่าจะเป็นปัญหาจริงในการขยายขอบเขต เคยดู undermind.ai, scite.ai, elicit.org แล้ว แต่อาจยังไม่ได้ดูละเอียดพอ จะกลับไปตรวจสอบอีกครั้งและลองเพิ่มฟีเจอร์เสริม สงสัยว่าโฟลว์การทบทวนวรรณกรรมนอกเหนือจากการค้นหาหมายถึง ระบบจัดการบรรณานุกรม อย่าง Mendeley/Zotero หรือเปล่า หน้าจอ Cloudflare challenge ที่ขึ้นมาตอนแรกนั้นเป็นปัญหาร้ายแรง สงสัยว่าทำไมจึงมีบทความจำนวนมากที่ไม่อยู่ใน arXiv ผู้เขียนต้องส่งเองหรือเปล่า? บทความคณิตศาสตร์ ฟิสิกส์ และวิทยาการคอมพิวเตอร์มักหาเจอบ่อย แต่บทความชีววิทยา เคมี และแพทยศาสตร์มักไม่มี ฐานข้อมูลที่มี ID ของบทความทั้งหมดที่มีอยู่ พร้อมระบุว่าเผยแพร่อยู่ที่ไหนและขาดจากที่ไหน ก็น่าจะมีประโยชน์พอ ๆ กัน บทความที่ได้รับเงินสาธารณะไม่ว่ามากน้อยแค่ไหนก็ไม่ควรขาดหายไป สงสัยว่าทำไมถึงใช้โมเดล mixbread สงสัยว่าประสิทธิภาพดีขึ้นแค่ไหนจากการทำ embedding ให้เป็นไบนารีและใช้ Hamming distance สงสัยว่าทำไมถึงเลือก Milvus แทน vector store อื่น การดึงเมทาดาทารายสัปดาห์ทำเป็นอัตโนมัติแล้วหรือยัง เป็นแค่ cron job หรือมีอย่างอื่นที่ต้องประสานงานด้วยหรือไม่ ลองค้นคำว่า “transformers on byte level not token level” แล้วผลลัพธ์ก็ใช้ได้ แต่บทความที่ใหม่กว่าอย่าง https://arxiv.org/abs/2412.09871 ไม่ขึ้นมา และอาจมีหลายคนที่อยากหาอันนี้ ถ้าเพิ่มความหนาแน่นของผลลัพธ์ได้ก็น่าจะดี เช่นมีตัวเลือก UI ให้พับบทคัดย่อ เพื่อให้เห็นผลลัพธ์มากขึ้นในหน้าจอแรก ทรัพยากรที่มีจำกัด จึงเลือก ขนาดโมเดล ที่เล็กพอจะประมวลผลคอร์ปัสได้ค่อนข้างเร็ว นอกจากนี้ยังรองรับ MRL และ binary embedding ซึ่งอาจช่วยได้เมื่อจำเป็นต้องลดขนาด VM ประมาณเกือบ 500ms ดู https://news.ycombinator.com/item?id=42507116#42509636 เลือก Milvus เพราะ https://benchmark.vectorview.ai/vectordbs.html โดยสมมติว่าถ้ามีดาวเยอะ ชุมชนก็น่าจะใหญ่กว่า พบและแก้บั๊กได้เร็วกว่า และรองรับฟีเจอร์ได้ดีกว่า การดึงรายสัปดาห์ทำอัตโนมัติไว้ที่ https://huggingface.co/spaces/bluuebunny/update_arxiv_embeddings แล้ว ทรัพยากรที่ใช้ได้มีจำกัด จึงให้ HuggingFace Spaces ช่วยทำอัตโนมัติแทน แต่ Space หลับอยู่เรื่อย ๆ จึงวางแผนจะเรียก Space เดิมซ้ำ ๆ ผ่าน api/gradio_client เพื่อหลีกเลี่ยงปัญหานี้ เรื่องความสดใหม่ของผลลัพธ์พูดถูก จึงตั้งใจจะเพิ่ม ตัวเลือกเรียงตามความใหม่ (Recency) ต้องหาสมดุลระหว่างความคล้ายกับวันที่เผยแพร่ จะลองดูเรื่องการพับบทคัดย่อและการปรับปรุงความหนาแน่นของผลลัพธ์ด้วย ยอดเยี่ยม ลองค้นไปสองสามคำแล้ว ผลลัพธ์เชิงความหมาย ค่อนข้างดี แต่ถ้าจะกลายเป็นส่วนหนึ่งของเวิร์กโฟลว์ประจำวันแทนเครื่องมืออย่าง Google Scholar ก็คงดีถ้าเห็นได้ว่าบทความนั้นผ่านการรีวิวอย่างไรและถูกอ้างอิงอย่างไร มีสิ่งอย่าง OpenReview อยู่ และตัวอย่างคือ https://openreview.net/forum?id=jhKbnNhwhc อีกอย่าง ถ้ามีฟีเจอร์ประมาณว่า “เล่าให้ฟังเพื่อให้ตามกลุ่มบทความนี้ทันอย่างรวดเร็ว” ก็น่าจะดี โมเดลสร้างข้อความช่วยได้ และโดยสรุปคืออยากให้เขียนย่อหน้าพร้อมการอ้างอิงแบบที่น่าจะใส่ในส่วนทบทวนวรรณกรรม/งานที่เกี่ยวข้องของบทความได้ ไม่รู้จัก OpenReview มาก่อน ชอบเรื่อง ความโปร่งใส มาก และจะพิจารณาอินทิเกรตอย่างแน่นอน ฟีดแบ็กเรื่องให้โมเดลเขียนส่วนบทนำก็เป็นคำแนะนำที่ดี ตั้งใจจะให้เสิร์ชเอนจินนี้ค่อนข้างดั้งเดิมกว่าเดิม แต่หากผลลัพธ์ดี นี่อาจเป็นทิศทางที่ควรไปต่อ สมัยก่อน คือไม่กี่ปีก่อนกระแส LLM จะมา ตอนที่เคยใช้ ฐานข้อมูลเวกเตอร์ ขนาดใกล้เคียงกัน (gensim/doc2vec) การค้นหาเวกเตอร์แบบ brute force ล้วน ๆ ด้วยคำสั่งอย่าง SSE หรือ AVX ก็ทำได้ เขียนด้วย C แล้วต่อ Python API ก็พอ หากข้อมูลมีขนาดไม่กี่ GB การ brute force บน CPU แบบเรียลไทม์ก็เป็นไปได้ และอาจได้ต่ำกว่า 200ms เป็นปัญหาที่น่าสนใจ เลยเพิ่มไว้ใน TODO list แล้ว เป็นโปรเจกต์ที่ยอดเยี่ยม เมื่อไม่นานมานี้ผมทำฐานข้อมูล embedding จากชุดข้อมูล arXiv ไว้: https://huggingface.co/NeuML/txtai-arxiv ถ้าสนใจด้านการค้นหาวรรณกรรม ก็มีโปรเจกต์ที่เกี่ยวข้องอยู่หลายตัว annotateai(https://github.com/neuml/annotateai) ใช้ LLM ใส่คำอธิบายประกอบให้บทความวิจัย และรองรับการค้นหาฐานข้อมูล arXiv ข้างต้น paperai(https://github.com/neuml/paperai) ให้บริการ semantic search และ workflow สำหรับบทความการแพทย์และวิทยาศาสตร์ โดยอิงบน txtai(https://github.com/neuml/txtai) paperetl(https://github.com/neuml/paperetl) เป็นกระบวนการ ETL สำหรับบทความการแพทย์และวิทยาศาสตร์ และรองรับเอกสาร PDF ทั้งฉบับ ดูเป็นโปรเจกต์ที่ดีมาก ๆ จะต้องลองไปดูแน่นอน paperetl เจ๋งดี บันทึกไว้ดูทีหลังแล้ว เมื่อก่อนเคยทำอะไรคล้าย ๆ กันในบริษัทด้วย grobid ซึ่งเป็นโปรเจกต์ยอดเยี่ยมที่ patrice ทำไว้ เผื่อเป็นข้อมูล txtai เพิ่งเปิด arXiv embeddings เมื่อ 8 วันที่แล้ว https://huggingface.co/NeuML/txtai-arxiv ใช่แล้ว ทุกครั้งที่มีการใช้ semantic search ผมอยากเห็นว่ามันมีข้อดีอะไรเหนือกว่าการค้นหาข้อความ อยากรู้ว่ามี benchmark สำหรับตรวจสอบไหมว่าการค้นหาดีขึ้นจริงหรือเปล่า ในเชิงความรู้สึก มันทำให้ค้นพบบทความใหม่ ๆ ได้ดีขึ้นไหม และมีประโยชน์กว่าในบางสาขาหรือไม่ ข้อดีทั้งหมดขึ้นอยู่กับความสามารถของ embedding model semantic embeddings เข้าใจนัยความหมาย จึงสามารถหา abstract ที่ตรงกันในเชิงแนวคิดได้แม้ไม่มีคีย์เวิร์ดตรงกันเป๊ะ ๆ ตัวอย่างเช่น “neural networks” กับ “deep learning” อาจและควรดึงบทความที่คล้ายกันมาได้ ในเชิงความรู้สึก ผมคิดว่าใช่ ผมแชร์ให้เพื่อนร่วมงาน แล้วพวกเขาบอกว่ามันช่วยหา author และบทความใหม่ ๆ ในสาขานั้นระหว่างเตรียมต้นฉบับ ส่วนเรื่องว่ามีประโยชน์กว่าในบางสาขาหรือไม่ ผมคิดว่าตัวเองไม่มีความสามารถพอจะตอบได้ ปัจจัยหนึ่งคือผู้ใช้เขียน query อย่างไร ผู้คนคุ้นเคยกับ full-text search อยู่พอสมควร แต่ semantic search จะโดดเด่นเมื่อถามคำถามตามตัวอักษรที่คำตอบกับคำศัพท์อาจไม่ตรงกัน สงสัยว่ามีโดเมนดี ๆ อื่น ๆ อะไรบ้างที่ semantic search น่าจะมีประโยชน์ ผมอยากลองทำเว็บแอปแบบนี้มานานแล้ว ไอเดียที่นึกออกตอนนี้คือการค้นหาโฆษณาออนไลน์สำหรับนักการตลาด คือ embed และ index โฆษณาวิดีโอ/รูปภาพ เพื่อให้ค้นหาแรงบันดาลใจทางการตลาดด้วยภาษาธรรมชาติได้ อีกอย่างคือการค้นหาสินค้าช้อปปิ้งที่ครอบคลุมหลายแพลตฟอร์มอีคอมเมิร์ซ เช่น Sephora, Zara, H&M แต่ก็ไม่แน่ใจว่าสองอย่างนี้ดีพอจะเป็น ปัญหาธุรกิจ ที่ควรแก้หรือไม่ การค้นหาเอกสารภายในอย่างรวดเร็ว แทบทุกบริษัทต้องการ การไล่ดูโครงสร้างลำดับชั้นแบบ file system นั้นช้า มีข้อจำกัด และเป็นวิธีแบบเก่า การค้นหาโค้ดอย่างรวดเร็วที่หา section ที่เกี่ยวข้องได้ แม้ comment จะใช้ถ้อยคำต่างกัน อยากให้หยุดทำให้ ad tech ดีขึ้นได้แล้ว คนอื่นอาจจะทำก็ได้ แต่คุณไม่จำเป็นต้องทำ สงสัยว่าคล้ายกับ https://www.semanticscholar.org ของ Allen Institute for AI หรือเปล่า ผมว่ามันใกล้กับเว็บนี้มากกว่า https://arxivxplorer.com/ คล้ายกับที่ triilman คอมเมนต์มากกว่า แต่ทุกองค์ประกอบเป็น open source มีแผนจะเพิ่มการรองรับ filter และ keyword เร็ว ๆ นี้ ที่จริงตอนนี้กำลังรอ Milvus อยู่ ไอเดียเจ๋งมาก ขอ feedback: ผมลองค้นหา “wave function collapse algorithm”, “gumin wave function collapse”, “wfc”, “model synthesis” แต่ไม่เจอผลลัพธ์ที่เกี่ยวข้องกับสาขาวิจัยที่สนใจ กลับมีบทความควอนตัมคอมพิวติ้งกับบทความฟิสิกส์อื่น ๆ ออกมาเยอะ WFC algorithm อาจเป็นตัวอย่างที่ไม่ดีสำหรับการค้นหาแบบนี้ เพราะคำนี้ใช้ซ้ำซ้อนกันและไม่เกี่ยวอะไรกับกลศาสตร์ควอนตัม ส่วน Model synthesis ก็ทั่วไปเกินไป จึงอาจเป็นตัวอย่างที่ไม่ดีเช่นกัน หน้าแรกของการค้นหา “wave function collapse algorithm” ใน arXiv เองแสดงผลลัพธ์ที่เกี่ยวข้อง arXiv เป็น keyword-based search engine จึงค้นหาคำในข้อความแบบตรงตัว PaperMatch พยายามหาบทความที่คล้ายกันและใกล้เคียงกว่าในเชิงความหมาย อีกวิธีหนึ่งคือเลือกบทความที่คุณชอบมาหนึ่งบทความ แล้วคัดลอก abstract หรือ arXiv ID จาก arXiv ไปวางใน PaperMatch น่าจะช่วยหา paper ที่คล้ายกันได้
1 ความคิดเห็น
ความเห็นจาก Hacker News
ดีใจที่ได้เห็นโปรเจกต์แบบนี้ หากจะขยายไปไกลกว่า arXiv ควรคำนึงว่าในการทบทวนวรรณกรรม ขอบเขต เป็นเรื่องสำคัญ
น่าเสียดายที่สำนักพิมพ์รายใหญ่อย่าง Elsevier และ Springer กำลังกดดันให้ดัชนีอื่น ๆ อย่าง OpenAlex ลบบทคัดย่อออก ทำให้เข้าถึงได้ยากขึ้น
สงสัยว่าได้ลองดูเครื่องมืออย่าง undermind.ai, scite.ai, elicit.org แล้วหรือยัง
นอกจากการค้นหาแล้ว ก็น่าคิดว่า โฟลว์ผลิตภัณฑ์เฉพาะสำหรับการทบทวนวรรณกรรม ควรมีอะไรบ้าง เคยทำงานที่ scite.ai มาก่อน
ยังไม่ได้สร้าง ไปป์ไลน์ซิงก์ สำหรับทั้งสองตัวนี้ ผลลัพธ์จึงอาจเก่าไปบ้าง
การที่สำนักพิมพ์ใหญ่ ๆ ทำให้บทคัดย่อถูกลบออกน่าจะเป็นปัญหาจริงในการขยายขอบเขต
เคยดู undermind.ai, scite.ai, elicit.org แล้ว แต่อาจยังไม่ได้ดูละเอียดพอ จะกลับไปตรวจสอบอีกครั้งและลองเพิ่มฟีเจอร์เสริม
สงสัยว่าโฟลว์การทบทวนวรรณกรรมนอกเหนือจากการค้นหาหมายถึง ระบบจัดการบรรณานุกรม อย่าง Mendeley/Zotero หรือเปล่า
สงสัยว่าทำไมจึงมีบทความจำนวนมากที่ไม่อยู่ใน arXiv ผู้เขียนต้องส่งเองหรือเปล่า? บทความคณิตศาสตร์ ฟิสิกส์ และวิทยาการคอมพิวเตอร์มักหาเจอบ่อย แต่บทความชีววิทยา เคมี และแพทยศาสตร์มักไม่มี
ฐานข้อมูลที่มี ID ของบทความทั้งหมดที่มีอยู่ พร้อมระบุว่าเผยแพร่อยู่ที่ไหนและขาดจากที่ไหน ก็น่าจะมีประโยชน์พอ ๆ กัน บทความที่ได้รับเงินสาธารณะไม่ว่ามากน้อยแค่ไหนก็ไม่ควรขาดหายไป
ลองค้นคำว่า “transformers on byte level not token level” แล้วผลลัพธ์ก็ใช้ได้ แต่บทความที่ใหม่กว่าอย่าง https://arxiv.org/abs/2412.09871 ไม่ขึ้นมา และอาจมีหลายคนที่อยากหาอันนี้
ถ้าเพิ่มความหนาแน่นของผลลัพธ์ได้ก็น่าจะดี เช่นมีตัวเลือก UI ให้พับบทคัดย่อ เพื่อให้เห็นผลลัพธ์มากขึ้นในหน้าจอแรก
แต่ Space หลับอยู่เรื่อย ๆ จึงวางแผนจะเรียก Space เดิมซ้ำ ๆ ผ่าน api/gradio_client เพื่อหลีกเลี่ยงปัญหานี้
เรื่องความสดใหม่ของผลลัพธ์พูดถูก จึงตั้งใจจะเพิ่ม ตัวเลือกเรียงตามความใหม่ (Recency) ต้องหาสมดุลระหว่างความคล้ายกับวันที่เผยแพร่
จะลองดูเรื่องการพับบทคัดย่อและการปรับปรุงความหนาแน่นของผลลัพธ์ด้วย
ยอดเยี่ยม ลองค้นไปสองสามคำแล้ว ผลลัพธ์เชิงความหมาย ค่อนข้างดี
แต่ถ้าจะกลายเป็นส่วนหนึ่งของเวิร์กโฟลว์ประจำวันแทนเครื่องมืออย่าง Google Scholar ก็คงดีถ้าเห็นได้ว่าบทความนั้นผ่านการรีวิวอย่างไรและถูกอ้างอิงอย่างไร มีสิ่งอย่าง OpenReview อยู่ และตัวอย่างคือ https://openreview.net/forum?id=jhKbnNhwhc
อีกอย่าง ถ้ามีฟีเจอร์ประมาณว่า “เล่าให้ฟังเพื่อให้ตามกลุ่มบทความนี้ทันอย่างรวดเร็ว” ก็น่าจะดี โมเดลสร้างข้อความช่วยได้ และโดยสรุปคืออยากให้เขียนย่อหน้าพร้อมการอ้างอิงแบบที่น่าจะใส่ในส่วนทบทวนวรรณกรรม/งานที่เกี่ยวข้องของบทความได้
ฟีดแบ็กเรื่องให้โมเดลเขียนส่วนบทนำก็เป็นคำแนะนำที่ดี ตั้งใจจะให้เสิร์ชเอนจินนี้ค่อนข้างดั้งเดิมกว่าเดิม แต่หากผลลัพธ์ดี นี่อาจเป็นทิศทางที่ควรไปต่อ
สมัยก่อน คือไม่กี่ปีก่อนกระแส LLM จะมา ตอนที่เคยใช้ ฐานข้อมูลเวกเตอร์ ขนาดใกล้เคียงกัน (gensim/doc2vec) การค้นหาเวกเตอร์แบบ brute force ล้วน ๆ ด้วยคำสั่งอย่าง SSE หรือ AVX ก็ทำได้
เขียนด้วย C แล้วต่อ Python API ก็พอ หากข้อมูลมีขนาดไม่กี่ GB การ brute force บน CPU แบบเรียลไทม์ก็เป็นไปได้ และอาจได้ต่ำกว่า 200ms
เป็นโปรเจกต์ที่ยอดเยี่ยม
เมื่อไม่นานมานี้ผมทำฐานข้อมูล embedding จากชุดข้อมูล arXiv ไว้: https://huggingface.co/NeuML/txtai-arxiv
ถ้าสนใจด้านการค้นหาวรรณกรรม ก็มีโปรเจกต์ที่เกี่ยวข้องอยู่หลายตัว
annotateai(https://github.com/neuml/annotateai) ใช้ LLM ใส่คำอธิบายประกอบให้บทความวิจัย และรองรับการค้นหาฐานข้อมูล arXiv ข้างต้น
paperai(https://github.com/neuml/paperai) ให้บริการ semantic search และ workflow สำหรับบทความการแพทย์และวิทยาศาสตร์ โดยอิงบน txtai(https://github.com/neuml/txtai)
paperetl(https://github.com/neuml/paperetl) เป็นกระบวนการ ETL สำหรับบทความการแพทย์และวิทยาศาสตร์ และรองรับเอกสาร PDF ทั้งฉบับ
เผื่อเป็นข้อมูล txtai เพิ่งเปิด arXiv embeddings เมื่อ 8 วันที่แล้ว
https://huggingface.co/NeuML/txtai-arxiv
ทุกครั้งที่มีการใช้ semantic search ผมอยากเห็นว่ามันมีข้อดีอะไรเหนือกว่าการค้นหาข้อความ
อยากรู้ว่ามี benchmark สำหรับตรวจสอบไหมว่าการค้นหาดีขึ้นจริงหรือเปล่า ในเชิงความรู้สึก มันทำให้ค้นพบบทความใหม่ ๆ ได้ดีขึ้นไหม และมีประโยชน์กว่าในบางสาขาหรือไม่
ตัวอย่างเช่น “neural networks” กับ “deep learning” อาจและควรดึงบทความที่คล้ายกันมาได้
ในเชิงความรู้สึก ผมคิดว่าใช่ ผมแชร์ให้เพื่อนร่วมงาน แล้วพวกเขาบอกว่ามันช่วยหา author และบทความใหม่ ๆ ในสาขานั้นระหว่างเตรียมต้นฉบับ
ส่วนเรื่องว่ามีประโยชน์กว่าในบางสาขาหรือไม่ ผมคิดว่าตัวเองไม่มีความสามารถพอจะตอบได้
สงสัยว่ามีโดเมนดี ๆ อื่น ๆ อะไรบ้างที่ semantic search น่าจะมีประโยชน์ ผมอยากลองทำเว็บแอปแบบนี้มานานแล้ว
ไอเดียที่นึกออกตอนนี้คือการค้นหาโฆษณาออนไลน์สำหรับนักการตลาด คือ embed และ index โฆษณาวิดีโอ/รูปภาพ เพื่อให้ค้นหาแรงบันดาลใจทางการตลาดด้วยภาษาธรรมชาติได้
อีกอย่างคือการค้นหาสินค้าช้อปปิ้งที่ครอบคลุมหลายแพลตฟอร์มอีคอมเมิร์ซ เช่น Sephora, Zara, H&M
แต่ก็ไม่แน่ใจว่าสองอย่างนี้ดีพอจะเป็น ปัญหาธุรกิจ ที่ควรแก้หรือไม่
สงสัยว่าคล้ายกับ https://www.semanticscholar.org ของ Allen Institute for AI หรือเปล่า
ไอเดียเจ๋งมาก
ขอ feedback: ผมลองค้นหา “wave function collapse algorithm”, “gumin wave function collapse”, “wfc”, “model synthesis” แต่ไม่เจอผลลัพธ์ที่เกี่ยวข้องกับสาขาวิจัยที่สนใจ กลับมีบทความควอนตัมคอมพิวติ้งกับบทความฟิสิกส์อื่น ๆ ออกมาเยอะ
WFC algorithm อาจเป็นตัวอย่างที่ไม่ดีสำหรับการค้นหาแบบนี้ เพราะคำนี้ใช้ซ้ำซ้อนกันและไม่เกี่ยวอะไรกับกลศาสตร์ควอนตัม ส่วน Model synthesis ก็ทั่วไปเกินไป จึงอาจเป็นตัวอย่างที่ไม่ดีเช่นกัน
หน้าแรกของการค้นหา “wave function collapse algorithm” ใน arXiv เองแสดงผลลัพธ์ที่เกี่ยวข้อง
อีกวิธีหนึ่งคือเลือกบทความที่คุณชอบมาหนึ่งบทความ แล้วคัดลอก abstract หรือ arXiv ID จาก arXiv ไปวางใน PaperMatch น่าจะช่วยหา paper ที่คล้ายกันได้