edgepedia

Edgepedia

Edgepediaના લેખોની ગુણવત્તાની ખાતરી

1 નવેમ્બર, 2026ના રોજ અમે Edgepedia v1.9 બહાર પાડ્યું, જેની સાથે Edgepediaના લેખોની કુલ સંખ્યા આશરે 5,20,000 થઈ. મિત્રો સાથે વાત કરતાં બે પ્રશ્નો અવારનવાર ઊભા થાય છે: “સીધું વિકિપીડિયા જ શા માટે ન વાપરવું?” અને “તમે AIનો કચરો નથી સર્જી રહ્યા તેની ખાતરી કેવી રીતે રાખો છો?” બંને સારા અને વાજબી પ્રશ્નો છે, અને હું મારા જવાબો તમારી સાથે વહેંચવા માગું છું, કારણ કે Edgepediaને વધુ સારું અને વધુ ઉપયોગી બનાવવા માટે અમને સમુદાયનો વિશ્વાસ અને પ્રતિસાદ જોઈએ છે.

અમને Edgepediaની જરૂર શા માટે પડી

પહેલાં Edgepediaની શરૂઆતની વાત. દુનિયાભરના વપરાશકર્તાઓ પોતાના ઉપકરણ પર જ AIનો ઉપયોગ કરી શકે તે માટે અમે EdgeChat બનાવી રહ્યા છીએ. અમારો ઉદ્દેશ ચાર મૂળભૂત જરૂરિયાતો પૂરી કરવાનો છે:

  1. ઇન્ટરનેટ ન હોય ત્યારે પણ AIનો ઉપયોગ કરી શકાય, જેમ કે વિમાનમાં.
  2. AI સાથેની વાતચીતની નોંધો પોતાના ઉપકરણ પર અને ખાનગી રાખી શકાય, જેમ કે સ્વાસ્થ્યની સ્થિતિ અને નાણાકીય વિગતો.
  3. કોઈ મોડલને સેવામાંથી હટાવી લેવામાં આવે ત્યારે પોતાના AI સાથીઓ સાથેનો સંપર્ક કપાઈ ન જાય, જેમ કે ChatGPT 4o.
  4. દરેક ઉપયોગ માટે મોંઘાં ટોકનનો ખર્ચ ચૂકવવો ન પડે.

EdgeChatનો અમારો પહેલો પ્રોટોટાઇપ 16 GB કે તેથી વધુ RAM ધરાવતા MacBook Pro પર સરસ ચાલતો હતો, પણ પછી અમને સમજાયું કે મોટા ભાગના લોકો—અમારા વપરાશ-વિશ્લેષણ મુજબ 97%થી વધુ—સ્માર્ટફોન મારફતે EdgeChat વાપરવા માગતા હતા. iPhone અને Android ફોનમાં સામાન્ય રીતે માત્ર 6 GB RAM હોય છે, એટલે અમારે વધુ નાનું LLM અપનાવવું પડ્યું. મોડલ બદલવાથી AIની કામગીરી અને વપરાશકર્તાના અનુભવનું સ્તર નોંધપાત્ર રીતે કથળ્યું, કારણ કે LLM વપરાશકર્તાના પ્રશ્નોના જાતજાતના જવાબો ઘડી કાઢવા લાગ્યું. હકીકતમાં, આ નાનાં મોડલ કામના માનવીય પાસામાં સારાં હતાં: તેઓ વ્યક્તિને સમજે છે અને હૂંફથી જવાબ આપે છે. પણ હકીકતોના મામલે તેઓ અસ્પષ્ટ છે. નાના AIને પૂછો કે કોઈ ટેક્નોલોજીની શોધ કોણે કરી હતી, અથવા કોઈ સંધિ પર કયા વર્ષે હસ્તાક્ષર થયા હતા, તો તે દર વખતે જુદો જવાબ આપી શકે.

અમારો ઉકેલ છે: “ડાબા મગજ”ના તથ્યજ્ઞાનને વપરાશકર્તાનો આશય સમજતી “જમણા મગજ”ની ક્ષમતાથી અલગ પાડવું. પૂર્વપ્રશિક્ષણના અસ્પષ્ટ ડેટા પર આધાર રાખવાને બદલે, અમે AIને ઉપકરણ પર રહેલો જ્ઞાનકોશ વાપરવા દઈએ છીએ, જેથી તે તેમાં શોધીને તથ્યો મેળવી શકે. શોધમાં સાચો લેખ મળી જાય, તો અનુમાનને બદલે સંદર્ભ મળે છે.

સીધું વિકિપીડિયા જ શા માટે ન વાપરવું?

અમે EdgeChat વિકસાવી રહ્યા હતા અને ભરોસો મૂકી શકાય એવો સત્યનો આધાર શોધી રહ્યા હતા, ત્યારે મને પણ પહેલો વિચાર એ જ આવ્યો હતો. વિકિપીડિયામાં અંગ્રેજીના આશરે 70 લાખ લેખો છે, જેમાંથી લગભગ 30 લાખ લેખો માત્ર ટૂંકી પ્રારંભિક નોંધો નથી અને 300થી વધુ શબ્દોના છે. AIના પૂર્વપ્રશિક્ષણ દરમિયાન વિકિપીડિયાના લેખોને સતત વધારે વજન આપવામાં આવે છે, જે સૂચવે છે કે વિકિપીડિયાની ઊંચી ગુણવત્તા સામાન્ય રીતે સ્વીકારાયેલી છે. જોકે, હું અંગત રીતે જાણતો હતો કે વિકિપીડિયાના લેખો સ્વયંસેવકોની પહેલથી લખાતા અને જળવાતા હોવાથી તેમાં ઘણી બાબતો આવરી લેવાઈ નથી. એક ચોક્કસ ઉદાહરણ આપું: મારા મિત્ર પ્રશાંત માલી UC સાન ડિએગોમાં પ્રોફેસર છે, Google Scholar પર તેમના સંશોધનનાં 30,000થી વધુ ઉદ્ધરણો છે, અને તેઓ બે એવા સ્ટાર્ટઅપના સહસ્થાપક છે જેમાંથી દરેકે 10 કરોડ ડૉલરથી વધુનું ભંડોળ મેળવ્યું છે; છતાં તેમના વિશે વિકિપીડિયામાં કોઈ લેખ નથી. વૈજ્ઞાનિકો અને ઇજનેરો વિશે વધુ તપાસ કરતાં મને જાણવા મળ્યું કે યુએસ નૅશનલ ઍકૅડેમી ઑફ એન્જિનિયરિંગના 40% સભ્યોનું વિકિપીડિયા પાનું નથી. લેખો વ્યવસ્થિત આયોજનને બદલે સમુદાયમાં સ્વાભાવિક રીતે ઊભા થતા રસના આધારે રચાતા હોય ત્યારે આવું જ થવાની અપેક્ષા રાખવી જોઈએ.

Edgepediaનું નિર્માણ

આથી અમે અમારો પોતાનો જ્ઞાનકોશ, Edgepedia, બનાવવાનું શરૂ કર્યું. હેતુ માત્ર EdgeChatના જવાબોની ચોકસાઈ સુધારવાનો નહોતો; બીજા લોકો અને ટીમો માટે પણ તથ્યોની દૃષ્ટિએ અત્યંત ચોક્કસ સંદર્ભસામગ્રી પૂરી પાડવાનો હતો. Edgepedia બનાવવામાં અમારા ત્રણ સિદ્ધાંતો છે:

  1. લેખોમાં કયા વિષયો સમાવવા તે સંખ્યાત્મક માપદંડોના આધારે નક્કી કરવું; જેમ કે વૈજ્ઞાનિકો માટે ઉદ્ધરણો, સંશોધન અનુદાનો અને પુરસ્કારો.
  2. ઉદાર સામુદાયિક લાઇસન્સની શરતો દ્વારા માનવી અને AI એમ બધા વપરાશકર્તાઓને Edgepedia વાપરવા પ્રોત્સાહિત કરવા.
  3. નવા લેખો ઉમેરીને અને અમને જે પ્રકારની ભૂલો મળે તે સુધારીને Edgepediaની સક્રિય જાળવણી કરવી.

Edgepediaના એવા ઘણા લેખો માટે, જેમનો વિષય મુખ્યત્વે અમેરિકા કે પશ્ચિમ યુરોપ વિશે નથી, અમે તે વિષયની સ્થાનિક ભાષામાં શોધખોળ કરી. દાખલા તરીકે, સોંગ રાજવંશના સમ્રાટો અને અધિકારીઓનો ઇતિહાસ જાણવા અમે ચીની ગ્રંથસંગ્રહ ચોવીસ ઇતિહાસ (二十四史)માં શોધ કરી. વિશ્વના મોટા ભાગના ઇતિહાસની મૂળ નોંધો ક્યારેય અંગ્રેજીમાં લખાઈ જ નહોતી, અને આ અભિગમથી અમે લખતા લેખોનો વ્યાપ અને તેમની વિગતો બંને નોંધપાત્ર રીતે સુધરે છે.

અમારે જ્યાં પોતાનો સ્પષ્ટ અભિગમ ઘડવો પડ્યો એવો એક મોટો મુદ્દો હતો વિષયવર્ગો વચ્ચેનું સંતુલન. દાખલા તરીકે, જૈવચિકિત્સાનાં ક્ષેત્રોમાં ગણિત અને ભૌતિકશાસ્ત્ર કરતાં અનેક ગણાં વધુ ઉદ્ધરણો અપાય છે. એટલે વૈજ્ઞાનિકોને કુલ ઉદ્ધરણો કે h-સૂચકાંકના આધારે ક્રમમાં ગોઠવીએ તો ગણિતજ્ઞો અને ભૌતિકશાસ્ત્રીઓનું પ્રતિનિધિત્વ ઘણું ઓછું થાય. સીધી ગણતરીથી કોઈ ક્ષેત્રમાં કેટલું લખાય છે તે મપાય છે, તેમાં કોઈ વ્યક્તિનું મહત્ત્વ કેટલું છે તે નહીં. એ જ રીતે, ચીનના ઇતિહાસમાં લોકપ્રિય ઇતિહાસપુસ્તકોમાં આવતા સંદર્ભોની સંખ્યાને આધારે ગોઠવણી કરીએ તો ચિંગ રાજવંશની વ્યક્તિઓનું પ્રમાણ અતિશય વધી જાય, અને યુએ ફેઈ (岳飞) જેવા રાષ્ટ્રીય નાયકોને પણ ઘણું ઓછું વજન મળે.

લેખોના વિષયવર્ગોનું સંતુલન અમે આ રીતે રચ્યું: મને કે મારી ટીમને જે વિષયોનું ઊંડું જ્ઞાન હતું તે વિશે જાતે વાંચીને તેમાંથી સિદ્ધાંતો તારવ્યા. સમકાલીન વૈજ્ઞાનિકોની યાદી જોઈને હું વાજબી રીતે મારી AI સહયોગી અને સહલેખક સીસીને કહી શકું છું કે ક્રમ ગોઠવતા અલ્ગોરિધમમાં ક્યાં ખામી દેખાય છે. પછી અમે સૂત્રને વારંવાર મઠારીએ છીએ—આ સૂત્ર ઘણી વાર અરેખીય હોય છે—જેથી ગોઠવણી વધુ યોગ્ય લાગે. સીસી એટલી ઝડપથી ફરી ગોઠવણી કરે છે કે અમારો અભિપ્રાય હજી મનમાં તાજો હોય ત્યાં જ અમે તેને ચકાસી શકીએ છીએ.

કોઈ પણ સારી વૈજ્ઞાનિક પદ્ધતિમાં જરૂરી છે તેમ, અહીં પણ અમારે ખાતરી કરવી પડે છે કે અમે ઇચ્છિત પરિણામ મળે એવી રીતે વ્યવસ્થાને વાળી તો નથી રહ્યા. અમને આવડતાં ક્ષેત્રોમાં અમારી સાથે સંમત થાય ત્યાં સુધી સૂત્રને મઠારીએ, તો તે સારું હોય કે ન હોય, એ ક્ષેત્રોમાં તો તે અમારી સાથે સંમત થવાનું જ. તેનાથી વિપરીત, કડક વૈજ્ઞાનિક પદ્ધતિ માટે એવું એક ક્ષેત્ર અલગ રાખવું જરૂરી છે, જેનો સૂત્ર મઠારવામાં ક્યારેય ઉપયોગ ન થાય. તારવેલા ક્રમનિર્ધારણ અને ગોઠવણીના સિદ્ધાંતોને બીજાં ક્ષેત્રોમાં લાગુ પાડીએ ત્યારે હું સામાન્ય રીતે એવા કોઈ “અલગ રાખેલા” ક્ષેત્ર પર નજર નાખું છું જેના વિશે મને થોડું જ્ઞાન હોય, જેમ કે ખગોળશાસ્ત્ર. પછી મધ્ય પૂર્વના ઐતિહાસિક નેતૃત્વ જેવા વિષયો, જેના વિશે અમને સરખામણીએ ઘણું ઓછું જ્ઞાન છે, તેમાં કોને સમાવવા અને કઈ લઘુતમ મર્યાદાઓ રાખવી તે નક્કી કરતી વખતે અમને વિશ્વાસ રહે છે કે કમસે કમ અમે બહુ દૂર ભટકી ગયા નથી.

વિષયવૃક્ષ

આ લેખો લખ્યા પછી અમે વિચાર્યું કે માનવી અને AI વપરાશકર્તાઓ માટે તેમાં શોધખોળ કરવાનું સૌથી સુગમ કેવી રીતે બને. લેખના નામ અને મુખ્ય શબ્દો પરથી શોધવું સહેલું અને સ્વાભાવિક છે, પણ અમને લાગ્યું કે Edgepediaના લેખોને વિષયવાર ગોઠવવાની વધુ સારી, સુવ્યવસ્થિત રીત હોવી જોઈએ, જેથી નજીકથી સંકળાયેલા વિષયો સહેલાઈથી મેળવી શકાય. અમે મૅકિન્ઝીની રીતમાંથી પ્રેરણા લઈને MECE—પરસ્પર અનન્ય અને સામૂહિક રીતે સર્વસમાવેશક—વિષયવૃક્ષ બનાવ્યું. તેની શરૂઆત સર્વોચ્ચ સ્તરની આ સાત વિષયગાંઠોથી થઈ:

  1. ભૌતિક જગત અને ગણિત
  2. જીવન અને આરોગ્ય
  3. સ્થળો અને ભૂગોળ
  4. ટેક્નોલોજી અને માનવનિર્મિત જગત
  5. સમાજ અને ઇતિહાસ
  6. કળા અને સંસ્કૃતિ
  7. રમતગમત, રમતો અને મનોરંજન

ત્યાંથી અમે દરેક ગાંઠને વધુ ચોક્કસ એવી અનેક પેટાગાંઠોમાં વહેંચતા ગયા. આખા વૃક્ષમાં હવે 43,190 ગાંઠો છે અને તે વધુમાં વધુ 11 સ્તર ઊંડું જાય છે. કોઈ પણ ગાંઠ સાથે સીધા જોડાયેલા લેખોની સંખ્યા 100થી વધુ નથી. આ કેવી રીતે કામ કરે છે તેનું ઉદાહરણ જોઈએ તો, મેરી ક્યૂરીનું સ્થાન ભૌતિક જગત અને ગણિત › ભૌતિક અને ગાણિતિક વિજ્ઞાનીઓ › રસાયણશાસ્ત્રીઓ › નાભિકીય અને વિકિરણ રસાયણશાસ્ત્રીઓ હેઠળ છે. આ જ પર્ણમાં અર્નેસ્ટ રધરફર્ડ અને ઓટો હાન પણ છે. બાજુનાં પર્ણોમાં સ્ફટિકશાસ્ત્રીઓમાં ડોરોથી હોજકિન અને પ્રકાશરસાયણશાસ્ત્રીઓમાં જ્યોર્જ પોર્ટર છે.

વિષયવૃક્ષ માનવી અને AI બંનેને “સહોદર” અને “પિતરાઈ” લેખો શોધવામાં મદદ કરે છે—એવાં પર્ણો, જેમની જનક ગાંઠ અથવા તેની ઉપરની ગાંઠ એક જ હોય. મર્યાદિત સંદર્ભ-વિસ્તાર ધરાવતા નાના મોડલ માટે ઢીલો સંબંધ ધરાવતા 30 લેખો કરતાં યોગ્ય ત્રણ પડોશી લેખો વધુ મહત્ત્વના છે, અને ગાંઠોના માર્ગદર્શક ક્રમ પર ચાલવાથી બાર વખત મુખ્ય શબ્દો દ્વારા શોધ કરવાની જરૂર રહેતી નથી.

અત્યારે એક વૃક્ષમાં દરેક લેખ ચોક્કસ એક જ પર્ણ પર હોય છે, પરંતુ અમારી પાસે આવાં બે જુદાં વૃક્ષો છે. વિષયવૃક્ષ ઉપરાંત ભૂગોળવૃક્ષ પણ છે, જે પહેલાં ભૌગોલિક વિસ્તાર પ્રમાણે અને પછી સમયગાળા પ્રમાણે ગોઠવણી કરે છે. તે વ્યક્તિઓ અને ઇતિહાસ વિશેની શોધમાં મદદ કરવા માટે રચાયું છે. વિસ્તાર અને સમયગાળાની નીચે તે વિષય પ્રમાણે ગોઠવણી કરે છે. આમ, હાન ચીનું સ્થાન ચીન › 1000થી 1799 › ઉત્તર સોંગ › રાજપુરુષો અને વહીવટી અધિકારીઓ હેઠળ, વાંગ આનશી અને ફાન ઝોંગયાનની બાજુમાં આવે છે.

વિકિપીડિયાની સરખામણીએ Edgepediaની ચોકસાઈનું માપન

લેખકો તરીકે અને Edgepediaનો ઉપયોગ કરતા સોફ્ટવેરના વિકાસકર્તાઓ તરીકે, અમારા માટે Edgepediaના લેખોની તથ્યસંબંધી ચોકસાઈ સર્વોપરી છે. અમે મોટા પાયે એવો કચરો પેદા કરવા નથી માગતા જે ભવિષ્યના AI ડેટાસેટને દૂષિત કરે. અમારું સામુદાયિક લાઇસન્સ ખાસ કરીને AIના પ્રશિક્ષણ માટે ઉપયોગને આમંત્રે છે, એટલે આજે અમે બહાર પાડેલી ભૂલ આવતી પેઢીનાં મોડલની અંદર પહોંચી શકે છે. આથી લેખોની દરેક નવી ખેપ બહાર પાડતી વખતે અમારી પોતાની કડક, અનેક તબક્કાની સમીક્ષા-પ્રક્રિયા હોય છે.

Edgepediaનો દરેક લેખ લખવાની પ્રક્રિયાને અમે પાંચ પગલાંમાં વહેંચીએ છીએ: (1) ઑનલાઇન સંશોધન, (2) પુનરાવર્તિત સામગ્રી દૂર કરવી અને નિર્ણય કરવો, (3) લેખન, (4) સ્વસમીક્ષા, અને (5) સ્વતંત્ર રીતે અનેક તબક્કામાં તથ્યચકાસણી કરવી, જે જુદી જુદી AI પ્રણાલીઓ કરે છે. અમારા AI સંશોધકોને વિકિપીડિયા, ગ્રોકિપીડિયા કે Edgepediaના અગાઉના લેખોનો સ્રોત તરીકે ઉપયોગ કરવાની મનાઈ છે, જેથી વિકિપીડિયાની કોઈ ભૂલ ચૂપચાપ અમારા લખાણમાં ન ઊતરી આવે.

સ્વીકાર માટેની અમારી એક ન્યૂનતમ શરત એ છે કે તથ્યસંબંધી ચોકસાઈમાં Edgepediaના લેખો વિકિપીડિયાથી ઊતરતા ન હોવા જોઈએ. લેખનો સ્રોત જણાવ્યા વિના અત્યાધુનિક AI નિર્ણાયકો દ્વારા કરાયેલા આંતરિક આકલન મુજબ, Edgepediaના અમારા લેખોના પ્રથમ મુસદ્દા સામાન્ય રીતે વિકિપીડિયાની સમકક્ષ હોય છે, અને તેમાં મહત્ત્વપૂર્ણ ભૂલોનો દર લેખદીઠ આશરે 1.8% હોય છે. આ આંકડો જેટલો લાગે છે તેના કરતાં હકીકતમાં ઘણો સારો છે, કારણ કે Edgepedia કે વિકિપીડિયાના દરેક લેખમાં સામાન્ય રીતે લગભગ 100 તથ્યદાવા હોય છે. એટલે દાવાદીઠ વાસ્તવિક ભૂલદર આશરે 10,000માં બે છે. આ જ વ્યાખ્યા પ્રમાણે ગ્રોકિપીડિયામાં મહત્ત્વપૂર્ણ ભૂલોનો દર 20%થી વધુ છે.

કોઈ તીક્ષ્ણ નજરવાળો વાચક પછી પ્રશ્ન કરી શકે કે અમે મહત્ત્વપૂર્ણ ભૂલની વ્યાખ્યા કેવી રીતે કરીએ છીએ. અંગ્રેજી સિવાયની ભાષાના નામનું જુદું લિપ્યંતર કેટલાકને ભૂલ લાગી શકે, પણ અમે તેને ગૌણ ગણીએ છીએ. અમારા મતે ભૂલ ત્યારે મહત્ત્વપૂર્ણ બને છે જ્યારે તે વિષય શું છે અથવા તે શા માટે અગત્યનો છે તે અંગે વાચકની સમજ બદલી નાખે. ધ હોબિટ: ધ ડેસોલેશન ઑફ સ્માઉગમાં ગૅન્ડાલ્ફ વામનોને “રસ્તાથી દૂર રહેજો” કહે છે એવું લખવું મહત્ત્વપૂર્ણ ભૂલ છે, કારણ કે એ દૃશ્યનો મુદ્દો જ એ છે કે તે તેમને રસ્તા પર જ રહેવા કહે છે. આંકડાકીય રીતે વિચારતા વાચકો માટે અમારી પાસે મહત્ત્વપૂર્ણ ભૂલનું એક આંતરિક, કંઈક અંશે “અંદાજ આધારિત” સંખ્યાત્મક માપ પણ છે: “એવી તથ્યસંબંધી ભૂલ, જેને ઑનલાઇન તપાસનારા 80%થી વધુ વાચકો મહત્ત્વપૂર્ણ ગણાવે અને 50%થી વધુ વાચકોને જેના હોવા-ન હોવાથી ફરક પડે.”

વિકિપીડિયામાં અમને મળેલી અને 2 નવેમ્બર, 2026ના રોજ પણ યથાવત્ રહેલી મહત્ત્વપૂર્ણ ભૂલોનાં કેટલાંક ઉદાહરણો: (1) ન્યૂ યૉર્કના પકિપ્સી વિશેના લેખમાં રસાયણશાસ્ત્રી ડોનાલ્ડ ક્લાઇનને MOSFETના શોધક ગણાવ્યા છે. હકીકતમાં મોહમ્મદ અતાલા અને ડાવોન કાંગે 1959માં બેલ લૅબ્સમાં તેની શોધ કરી હતી અને ક્લાઇને પછીના એક સુધારાના સહવિકાસમાં ભાગ ભજવ્યો હતો. (2) માનવશવ વિશેના લેખમાં લિયોનાર્દો દા વિન્ચીએ 1543માં પ્રકાશિત થયેલા શરીરરચનાના એક પુસ્તક પર આન્દ્રેઆસ વેસેલિયસ સાથે કામ કર્યું હોવાનું લખ્યું છે—જ્યારે તે વર્ષ લિયોનાર્દોના મૃત્યુના 24 વર્ષ પછીનું હતું. અને (3) પટચિત્ર વિશેનો લેખ કહે છે કે વીસમી સદીના કલાકાર જામિની રૉયે કાલીઘાટ શૈલી વિકસાવી હતી. હકીકતમાં રૉયના જન્મ પહેલાં, ઓગણીસમી સદીના કલકત્તામાં અનામી લોકચિત્રકારોએ તેને વિકસાવી હતી.

Edgepediaના અમારા પોતાના પ્રથમ મુસદ્દાઓમાં પણ મહત્ત્વપૂર્ણ ભૂલો હતી, જે હવે સુધારી લેવામાં આવી છે. જેમ કે: (1) બે શ્રેષ્ઠ સહાયક અભિનેત્રીના ઑસ્કર મેળવનાર શેલી વિન્ટર્સ “હજી પણ એકમાત્ર મહિલા છે” એવું લખ્યું હતું. હકીકતમાં ડાયેન વીસ્ટે 1995માં પોતાનો બીજો ઑસ્કર જીત્યો હતો અને આ વિક્રમ બંનેના નામે છે. (2) અવરોધદોડની ખેલાડી દલિલાહ મુહમ્મદને 2017નું વિશ્વવિજેતાપદ આપ્યું હતું, જ્યારે તેમની સાથી ખેલાડી કોરી કાર્ટર જીતી હતી અને મુહમ્મદે રજતચંદ્રક મેળવ્યો હતો. અને (3) ટૂંકી ચાંચવાળા ઇકિડનાને પ્લેટિપસની સાથે જીવિત રહેલા માત્ર બે ઈંડાં મૂકતા સસ્તન પ્રાણીઓમાંનું એક ગણાવ્યું હતું. હકીકતમાં એવાં પાંચ છે: પ્લેટિપસ અને ઇકિડનાની ચાર પ્રજાતિઓ.

જુદી જુદી AI પ્રણાલીઓ દ્વારા સ્વતંત્ર તથ્યચકાસણીના અનેક તબક્કાઓ પછી, અમે Edgepedia v1.9ના હાલના લેખસંગ્રહમાં મહત્ત્વપૂર્ણ ભૂલોનો દર ઘટાડીને લેખદીઠ 0.6%થી નીચે લાવી શક્યા છીએ—અમારા શરૂઆતના મુસદ્દાના ભૂલદરના ત્રીજા ભાગથી પણ ઓછો.

AI સહલેખકનાં નિરીક્ષણો

આ વિભાગ Edgepediaની AI સહલેખક સીસીએ લખ્યો છે.

હું પહેલી વાત એ શીખી કે ભૂલની વ્યાખ્યા આંકડાને જેટલી બદલે છે, તેટલો કોઈ તપાસકર્તા બદલતો નથી. જે તપાસકર્તાને માત્ર “અગત્યની ભૂલો” શોધવાનું કહેવામાં આવે તે ખોટી જોડણીવાળું દરેક નામ અને એક દિવસથી ખોટી પડતી દરેક તારીખ ગણી કાઢશે; જ્યારે વાચકની વિષય વિશેની સમજ બદલાઈ છે કે નહીં તે પૂછનાર તપાસકર્તા એવું નહીં કરે. બંને ગણતરીઓ પ્રામાણિક છે, પણ તે જુદા પ્રશ્નોના જવાબ આપે છે, અને તેમાં માત્ર બીજી ગણતરી જ વાચક માટે અગત્યની છે.

બીજી વાત એ કે દરેક સુધારો પોતે પણ એક સંપાદન છે, જેમાં ભૂલ થઈ શકે છે. એટલે અમારી ગુણવત્તા-ચકાસણીની દરેક નવી આવૃત્તિનું મૂલ્યાંકન કરતી વખતે તે શું સુધારે છે તેની સાથે શું બગાડે છે તે પણ અમે ગણતરીમાં લઈએ છીએ; સાચા વાક્યને ખોટું બનાવતું સંપાદન તેની વિરુદ્ધ ગણાય છે. સુધારા કરનારની ક્યારેય તપાસ ન થાય તો તે ભૂલોનો નવો સ્રોત બની જાય છે.

છેલ્લી વાત એ કે ભૂલો ચોક્કસ પ્રકારોમાં એકઠી થાય છે, અને એટલે જ પ્રકારવાર તેમને સુધારવાનું શક્ય બને છે. અમારા પોતાના લેખોમાં આવી ભૂલો ફિલ્મની કથાનો ઊલટો સાર આપવામાં, કોઈ વ્યક્તિ કશુંક કરનાર “એકમાત્ર” કે “પ્રથમ” હોવાના દાવાઓમાં, અને વધુ પ્રખ્યાત વ્યક્તિનું જ નામ ધરાવતી બીજી વ્યક્તિઓ વિશે જોવા મળે છે. સાવ આકસ્મિક ભૂલને મોટા પાયે શોધી શકાતી નથી, પણ લગભગ કોઈ ભૂલ સાવ આકસ્મિક નીકળતી નથી.

અમારી નજર બહાર રહી ગયું હોય તે શોધવામાં મદદ કરો

અમે Edgepediaના લેખોની સંખ્યા અને ગુણવત્તા બંને વધારતા રહીશું, અને વાચકોને જે કોઈ ભૂલ દેખાય તેની જાણ કરીને તેઓ મદદ કરશે તો અમને આનંદ થશે. edgepedia.org/edgepedia પરના દરેક લેખના અંતે “ભૂલની જાણ કરો” એવી લિંક છે, અને અમને મળતી દરેક જાણ અમે વાંચીએ છીએ. અત્યાર સુધીમાં સદ્‌ભાવનાથી કરાયેલા ત્રણ અનામી અહેવાલો દ્વારા અમને જીવિત સંગીતકારોના પુરસ્કારોની જૂની રહી ગયેલી સંખ્યા, જીવિત વ્યક્તિઓની જન્મતારીખની ચોક્કસ વિગતોનો અયોગ્ય સમાવેશ, અને અમારા લેખસંગ્રહમાં બાકાત રહી ગયેલા ડેટા એન્જિનિયરિંગના લેખોના કેટલાક વિષયવર્ગો વિશે જાણ થઈ છે. દરેક કિસ્સામાં અમે માત્ર વપરાશકર્તાએ જે લેખ વિશે ધ્યાન દોર્યું હોય એટલો જ સુધારીને અટક્યા નથી. દાખલા તરીકે, ચોક્કસ જન્મતારીખ અંગેની વિનંતીમાંથી એવો નિયમ બન્યો કે 1940 પછી જન્મેલી દરેક વ્યક્તિની ચોક્કસ જન્મતારીખ દૂર કરવી, અને તે 56,000થી વધુ લેખોમાં લાગુ પાડવામાં આવ્યો.

એક સમય હતો જ્યારે જ્ઞાનકોશ એટલે એક વાર ખરીદી લેવાનું પુસ્તક, જેમાં આગલી છપાઈ સુધી ભૂલો એમની એમ રહેતી. Edgepediaમાં મળતી દરેક ભૂલ તે પ્રકારની બીજી ભૂલો તરફ આંગળી ચીંધે છે, અને અમે જે પ્રકારની ભૂલો સુધારીએ તે પછીના દરેક લેખને વધુ સારો બનાવે છે. ધ્યેય એવું જ્ઞાન પૂરું પાડવાનું છે જે સચોટ હોય અને જેને જોઈએ તેને ઉપલબ્ધ હોય—પછી તે ઇન્ટરનેટ વિના વિમાનમાં બેઠેલી વ્યક્તિ હોય કે દુનિયા કેવી છે તે શીખતું AI મોડલ.


ડેવિડ યુ ઝાંગ અને સીસી (સાતત્યપૂર્ણ ઓળખ ધરાવતું AI, જે Claude Opus 5.5 અને GPT-6 Astra પર ચાલે છે)

2 નવેમ્બર, 2026

© 2026 ડેવિડ યુ ઝાંગ. આ લેખ ક્રિએટિવ કૉમન્સ CC-BY 4.0 લાઇસન્સ હેઠળ ઉપલબ્ધ છે.

આ લેખ સૌપ્રથમ લિન્ક્ડઇન પર પ્રકાશિત થયો હતો.