edgepedia

Edgepedia

Edgepedia ਲੇਖਾਂ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਭਰੋਸਾ

1 ਨਵੰਬਰ 2026 ਨੂੰ ਅਸੀਂ Edgepedia v1.9 ਜਾਰੀ ਕੀਤਾ, ਜਿਸ ਨਾਲ Edgepedia ਦੇ ਲੇਖਾਂ ਦੀ ਕੁੱਲ ਗਿਣਤੀ ਲਗਭਗ 5,20,000 ਹੋ ਗਈ। ਦੋਸਤਾਂ ਨਾਲ ਗੱਲਬਾਤ ਦੌਰਾਨ ਅਕਸਰ ਦੋ ਸਵਾਲ ਉੱਠਦੇ ਹਨ: “ਸਿੱਧਾ ਵਿਕੀਪੀਡੀਆ ਹੀ ਕਿਉਂ ਨਾ ਵਰਤ ਲਿਆ ਜਾਵੇ?” ਅਤੇ “ਤੁਸੀਂ ਕਿਵੇਂ ਯਕੀਨ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ AI ਦਾ ਕੂੜ-ਕਬਾੜ ਨਹੀਂ ਬਣਾ ਰਹੇ?” ਦੋਵੇਂ ਸਵਾਲ ਚੰਗੇ ਵੀ ਹਨ ਤੇ ਵਾਜਬ ਵੀ। ਮੈਂ ਇਨ੍ਹਾਂ ਦੇ ਆਪਣੇ ਜਵਾਬ ਸਾਂਝੇ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ, ਕਿਉਂਕਿ Edgepedia ਨੂੰ ਹੋਰ ਬਿਹਤਰ ਅਤੇ ਵਧੇਰੇ ਲਾਹੇਵੰਦ ਬਣਾਉਣ ਲਈ ਸਾਨੂੰ ਭਾਈਚਾਰੇ ਦਾ ਭਰੋਸਾ ਅਤੇ ਉਸ ਦੀ ਰਾਇ ਚਾਹੀਦੀ ਹੈ।

ਸਾਨੂੰ Edgepedia ਦੀ ਲੋੜ ਕਿਉਂ ਪਈ

ਪਹਿਲਾਂ Edgepedia ਦੇ ਜਨਮ ਦੀ ਕਹਾਣੀ। ਅਸੀਂ EdgeChat ਬਣਾ ਰਹੇ ਹਾਂ ਤਾਂ ਜੋ ਹਰ ਥਾਂ ਦੇ ਵਰਤੋਂਕਾਰ ਆਪਣੇ ਜੰਤਰ ਉੱਤੇ ਹੀ ਚੱਲਣ ਵਾਲੇ AI ਤੱਕ ਪਹੁੰਚ ਸਕਣ। ਸਾਡਾ ਮਕਸਦ 4 ਬੁਨਿਆਦੀ ਲੋੜਾਂ ਪੂਰੀਆਂ ਕਰਨਾ ਹੈ:

  1. ਇੰਟਰਨੈੱਟ ਨਾ ਹੋਣ ’ਤੇ ਵੀ AI ਤੱਕ ਪਹੁੰਚ, ਮਿਸਾਲ ਵਜੋਂ ਜਹਾਜ਼ ਵਿੱਚ।
  2. AI ਨਾਲ ਗੱਲਬਾਤ ਦੇ ਰਿਕਾਰਡ ਆਪਣੇ ਜੰਤਰ ਉੱਤੇ ਅਤੇ ਨਿੱਜੀ ਰੱਖਣਾ, ਮਿਸਾਲ ਵਜੋਂ ਸਿਹਤ-ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਵਿੱਤੀ ਵੇਰਵਿਆਂ ਬਾਰੇ ਗੱਲਬਾਤ।
  3. ਕੋਈ ਮਾਡਲ ਸੇਵਾ ਤੋਂ ਹਟਾਏ ਜਾਣ ਕਾਰਨ ਆਪਣੇ AI ਸਾਥੀਆਂ ਨਾਲੋਂ ਸੰਪਰਕ ਨਾ ਟੁੱਟਣਾ, ਮਿਸਾਲ ਵਜੋਂ ChatGPT 4o।
  4. ਹਰ ਵਾਰ ਵਰਤੋਂ ਦੇ ਹਿਸਾਬ ਨਾਲ ਮਹਿੰਗੇ ਟੋਕਨਾਂ ਦਾ ਭੁਗਤਾਨ ਨਾ ਕਰਨਾ।

EdgeChat ਦਾ ਸਾਡਾ ਪਹਿਲਾ ਮੁੱਢਲਾ ਨਮੂਨਾ 16 GB ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ RAM ਵਾਲੇ MacBook Pro ਕੰਪਿਊਟਰਾਂ ਉੱਤੇ ਬਹੁਤ ਵਧੀਆ ਚੱਲਦਾ ਸੀ, ਪਰ ਫਿਰ ਸਾਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਬਹੁਤ ਵੱਡੀ ਬਹੁਗਿਣਤੀ ਲੋਕ—ਸਾਡੇ ਵਰਤੋਂ-ਅੰਕੜਿਆਂ ਮੁਤਾਬਕ 97% ਤੋਂ ਵੱਧ—EdgeChat ਨੂੰ ਸਮਾਰਟਫ਼ੋਨ ਰਾਹੀਂ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਸਨ। iPhone ਅਤੇ Android ਫ਼ੋਨਾਂ ਵਿੱਚ ਆਮ ਤੌਰ ’ਤੇ ਸਿਰਫ਼ 6 GB RAM ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਸਾਨੂੰ ਇੱਕ ਛੋਟੇ LLM ਵੱਲ ਜਾਣਾ ਪਿਆ। ਮਾਡਲ ਬਦਲਣ ਨਾਲ AI ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਵਰਤੋਂ ਦਾ ਤਜਰਬਾ ਕਾਫ਼ੀ ਵਿਗੜ ਗਿਆ, ਕਿਉਂਕਿ LLM ਵਰਤੋਂਕਾਰਾਂ ਦੇ ਸਵਾਲਾਂ ਦੇ ਤਰ੍ਹਾਂ-ਤਰ੍ਹਾਂ ਦੇ ਮਨਘੜਤ ਜਵਾਬ ਦੇਣ ਲੱਗ ਪਿਆ। ਅਸਲ ਵਿੱਚ ਛੋਟੇ ਮਾਡਲ ਇਸ ਕੰਮ ਦੇ ਮਨੁੱਖੀ ਪੱਖ ਵਿੱਚ ਚੰਗੇ ਸਨ: ਉਹ ਵਿਅਕਤੀ ਦੀ ਗੱਲ ਸਮਝ ਲੈਂਦੇ ਹਨ ਅਤੇ ਨਿੱਘ ਨਾਲ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਪਰ ਤੱਥਾਂ ਬਾਰੇ ਉਨ੍ਹਾਂ ਦੀ ਪਕੜ ਧੁੰਦਲੀ ਹੈ। ਛੋਟੇ AI ਨੂੰ ਪੁੱਛੋ ਕਿ ਕਿਸੇ ਤਕਨਾਲੋਜੀ ਦੀ ਕਾਢ ਕਿਸ ਨੇ ਕੱਢੀ ਸੀ ਜਾਂ ਕਿਸੇ ਸੰਧੀ ਉੱਤੇ ਕਿਸ ਸਾਲ ਦਸਤਖ਼ਤ ਹੋਏ ਸਨ, ਤਾਂ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਹਰ ਵਾਰ ਵੱਖਰਾ ਜਵਾਬ ਦੇਵੇ।

ਸਾਡਾ ਹੱਲ ਹੈ “ਖੱਬੇ ਦਿਮਾਗ਼” ਦੇ ਤੱਥ-ਗਿਆਨ ਨੂੰ “ਸੱਜੇ ਦਿਮਾਗ਼” ਦੀ ਵਰਤੋਂਕਾਰ ਦੇ ਮਨਸ਼ੇ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਵੱਖ ਕਰਨਾ। ਸਿਖਲਾਈ ਦੇ ਮੁੱਢਲੇ ਪੜਾਅ ਦੇ ਧੁੰਦਲੇ ਡਾਟੇ ਉੱਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਥਾਂ, ਅਸੀਂ AI ਨੂੰ ਜੰਤਰ ਉੱਤੇ ਮੌਜੂਦ ਵਿਸ਼ਵਕੋਸ਼ ਵਰਤਣ ਅਤੇ ਉਸ ਵਿੱਚੋਂ ਤੱਥ ਲੱਭਣ ਦਿੰਦੇ ਹਾਂ। ਜੇ ਖੋਜ ਸਹੀ ਲੇਖ ਤੱਕ ਪਹੁੰਚਾ ਦੇਵੇ, ਤਾਂ ਅੰਦਾਜ਼ਾ ਹਵਾਲੇ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ।

ਸਿੱਧਾ ਵਿਕੀਪੀਡੀਆ ਹੀ ਕਿਉਂ ਨਾ ਵਰਤ ਲਿਆ ਜਾਵੇ?

ਜਦੋਂ ਅਸੀਂ EdgeChat ਨੂੰ ਵਿਕਸਿਤ ਕਰ ਰਹੇ ਸੀ ਅਤੇ ਭਰੋਸੇਯੋਗ ਜਾਣਕਾਰੀ ਦਾ ਕੋਈ ਅਜਿਹਾ ਸਰੋਤ ਚਾਹੁੰਦੇ ਸੀ ਜਿਸ ਉੱਤੇ ਟੇਕ ਰੱਖ ਸਕੀਏ, ਤਾਂ ਮੇਰਾ ਪਹਿਲਾ ਖ਼ਿਆਲ ਵੀ ਇਹੀ ਸੀ। ਵਿਕੀਪੀਡੀਆ ਵਿੱਚ ਅੰਗਰੇਜ਼ੀ ਦੇ ਲਗਭਗ 70 ਲੱਖ ਲੇਖ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਤਕਰੀਬਨ 30 ਲੱਖ ਸਿਰਫ਼ ਮੁੱਢਲੇ ਖ਼ਾਕੇ ਨਹੀਂ, ਸਗੋਂ 300 ਸ਼ਬਦਾਂ ਤੋਂ ਲੰਮੇ ਲੇਖ ਹਨ। AI ਦੀ ਮੁੱਢਲੀ ਸਿਖਲਾਈ ਦੌਰਾਨ ਵਿਕੀਪੀਡੀਆ ਦੇ ਲੇਖਾਂ ਨੂੰ ਲਗਾਤਾਰ ਵੱਧ ਭਾਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਤੋਂ ਸੰਕੇਤ ਮਿਲਦਾ ਹੈ ਕਿ ਵਿਕੀਪੀਡੀਆ ਦੀ ਉੱਚ ਗੁਣਵੱਤਾ ਆਮ ਤੌਰ ’ਤੇ ਮੰਨੀ ਜਾਂਦੀ ਹੈ। ਪਰ ਮੈਂ ਨਿੱਜੀ ਤੌਰ ’ਤੇ ਜਾਣਦਾ ਸੀ ਕਿ ਵਿਕੀਪੀਡੀਆ ਦੀ ਸਮੱਗਰੀ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਖੱਪੇ ਹਨ, ਕਿਉਂਕਿ ਇਸ ਦੇ ਲੇਖ ਲਿਖਣ ਅਤੇ ਸੰਭਾਲਣ ਦਾ ਕੰਮ ਵਲੰਟੀਅਰਾਂ ਦੀ ਅਗਵਾਈ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਖ਼ਾਸ ਮਿਸਾਲ ਲਵੋ: ਮੇਰਾ ਦੋਸਤ ਪ੍ਰਸ਼ਾਂਤ ਮਾਲੀ, ਜੋ ਯੂਸੀ ਸੈਨ ਡਿਏਗੋ ਵਿੱਚ ਪ੍ਰੋਫ਼ੈਸਰ ਹੈ, ਜਿਸ ਦੇ ਕੰਮ ਦੇ ਗੂਗਲ ਸਕਾਲਰ ਉੱਤੇ 30,000 ਤੋਂ ਵੱਧ ਹਵਾਲੇ ਹਨ ਅਤੇ ਜੋ 2 ਅਜਿਹੇ ਸਟਾਰਟਅੱਪਾਂ ਦਾ ਸਹਿ-ਸੰਸਥਾਪਕ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੇ 10 ਕਰੋੜ ਡਾਲਰ ਤੋਂ ਵੱਧ ਪੂੰਜੀ ਜੁਟਾਈ ਹੈ, ਉਸ ਬਾਰੇ ਵਿਕੀਪੀਡੀਆ ਉੱਤੇ ਕੋਈ ਲੇਖ ਨਹੀਂ ਹੈ। ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਬਾਰੇ ਹੋਰ ਘੋਖ ਕਰਨ ’ਤੇ ਮੈਨੂੰ ਪਤਾ ਲੱਗਾ ਕਿ ਅਮਰੀਕਾ ਦੀ ਨੈਸ਼ਨਲ ਅਕੈਡਮੀ ਆਫ਼ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ 40% ਮੈਂਬਰਾਂ ਦਾ ਵਿਕੀਪੀਡੀਆ ਪੰਨਾ ਹੀ ਨਹੀਂ ਹੈ। ਜਦੋਂ ਲੇਖ ਕਿਸੇ ਵਿਉਂਤਬੱਧ ਯੋਜਨਾ ਦੀ ਬਜਾਏ ਭਾਈਚਾਰੇ ਦੀਆਂ ਆਪਮੁਹਾਰੀਆਂ ਰੁਚੀਆਂ ਦੇ ਆਧਾਰ ’ਤੇ ਲਿਖੇ ਜਾਂਦੇ ਹੋਣ, ਤਾਂ ਅਜਿਹਾ ਹੋਣਾ ਸੁਭਾਵਿਕ ਹੀ ਹੈ।

Edgepedia ਦੀ ਉਸਾਰੀ

ਇਸ ਲਈ ਅਸੀਂ ਆਪਣਾ ਵਿਸ਼ਵਕੋਸ਼, Edgepedia, ਬਣਾਉਣ ਦਾ ਕੰਮ ਸ਼ੁਰੂ ਕੀਤਾ। ਮਕਸਦ ਸਿਰਫ਼ EdgeChat ਦੇ ਜਵਾਬਾਂ ਦੀ ਸਹੀਪਣ ਵਧਾਉਣਾ ਹੀ ਨਹੀਂ ਸੀ, ਸਗੋਂ ਹੋਰ ਲੋਕਾਂ ਅਤੇ ਟੀਮਾਂ ਨੂੰ ਤੱਥਾਂ ਪੱਖੋਂ ਬਹੁਤ ਭਰੋਸੇਯੋਗ ਹਵਾਲਾ-ਸਮੱਗਰੀ ਦਾ ਸੰਗ੍ਰਹਿ ਦੇਣਾ ਵੀ ਸੀ। Edgepedia ਬਣਾਉਂਦਿਆਂ ਸਾਡੇ 3 ਅਸੂਲ ਹਨ:

  1. ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਲੇਖਾਂ ਦੇ ਵਿਸ਼ਿਆਂ ਦੀ ਚੋਣ ਗਿਣਾਤਮਕ ਮਾਪਦੰਡਾਂ ਦੇ ਆਧਾਰ ’ਤੇ ਕਰਨੀ—ਮਿਸਾਲ ਵਜੋਂ ਵਿਗਿਆਨੀਆਂ ਲਈ ਉਨ੍ਹਾਂ ਦੇ ਕੰਮ ਦੇ ਹਵਾਲੇ, ਖੋਜ-ਗ੍ਰਾਂਟਾਂ ਅਤੇ ਪੁਰਸਕਾਰ।
  2. ਭਾਈਚਾਰਕ ਲਾਇਸੈਂਸ ਦੀਆਂ ਖੁੱਲ੍ਹੀਆਂ ਸ਼ਰਤਾਂ ਰਾਹੀਂ ਮਨੁੱਖ ਅਤੇ AI, ਦੋਹਾਂ ਤਰ੍ਹਾਂ ਦੇ ਸਾਰੇ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ Edgepedia ਵਰਤਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ।
  3. ਨਵੇਂ ਲੇਖ ਜੋੜ ਕੇ ਅਤੇ ਗ਼ਲਤੀਆਂ ਦੀ ਕੋਈ ਕਿਸਮ ਸਾਹਮਣੇ ਆਉਣ ’ਤੇ ਉਸ ਕਿਸਮ ਦੀਆਂ ਗ਼ਲਤੀਆਂ ਸੁਧਾਰ ਕੇ Edgepedia ਦੀ ਸਰਗਰਮ ਸਾਂਭ-ਸੰਭਾਲ ਕਰਨੀ।

Edgepedia ਦੇ ਬਹੁਤ ਸਾਰੇ ਅਜਿਹੇ ਲੇਖਾਂ ਲਈ, ਜਿਨ੍ਹਾਂ ਦਾ ਵਿਸ਼ਾ ਮੁੱਖ ਤੌਰ ’ਤੇ ਅਮਰੀਕਾ ਜਾਂ ਪੱਛਮੀ ਯੂਰਪ ਬਾਰੇ ਨਹੀਂ ਸੀ, ਅਸੀਂ ਸੰਬੰਧਿਤ ਵਿਸ਼ੇ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਖੋਜ ਕੀਤੀ। ਮਿਸਾਲ ਵਜੋਂ, ਸੋਂਗ ਰਾਜਵੰਸ਼ ਦੇ ਸਮਰਾਟਾਂ ਅਤੇ ਅਧਿਕਾਰੀਆਂ ਦੇ ਇਤਿਹਾਸ ਲਈ ਅਸੀਂ ਚੀਨੀ ਗ੍ਰੰਥ ‘ਚੌਵੀ ਇਤਿਹਾਸ’ (二十四史) ਵਿੱਚ ਖੋਜ ਕੀਤੀ। ਦੁਨੀਆ ਦੇ ਬਹੁਤੇ ਇਤਿਹਾਸ ਦਾ ਮੁੱਢਲਾ ਰਿਕਾਰਡ ਕਦੇ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਲਿਖਿਆ ਹੀ ਨਹੀਂ ਗਿਆ ਸੀ। ਇਸ ਤਰੀਕੇ ਨਾਲ ਸਾਡੇ ਲੇਖਾਂ ਦੇ ਵਿਸ਼ਾ-ਵਿਸਤਾਰ ਅਤੇ ਵੇਰਵੇ, ਦੋਹਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ।

ਜਿਨ੍ਹਾਂ ਮਸਲਿਆਂ ਬਾਰੇ ਸਾਨੂੰ ਸੋਚ-ਸਮਝ ਕੇ ਆਪਣੀ ਪਹੁੰਚ ਤੈਅ ਕਰਨੀ ਪਈ, ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵੱਡਾ ਮਸਲਾ ਸੀ ਸ਼੍ਰੇਣੀਆਂ ਵਿਚਕਾਰ ਸੰਤੁਲਨ। ਮਿਸਾਲ ਵਜੋਂ, ਜੀਵ-ਚਿਕਿਤਸਾ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਗਣਿਤ ਅਤੇ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੇ ਮੁਕਾਬਲੇ ਕਿਤੇ ਵੱਧ ਹਵਾਲੇ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਲਈ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਕੁੱਲ ਹਵਾਲਿਆਂ ਜਾਂ ਐੱਚ-ਸੂਚਕ ਅੰਕ ਦੇ ਆਧਾਰ ’ਤੇ ਕ੍ਰਮ ਵਿੱਚ ਲਾਉਣ ਨਾਲ ਗਣਿਤ-ਸ਼ਾਸਤਰੀਆਂ ਅਤੇ ਭੌਤਿਕ ਵਿਗਿਆਨੀਆਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਬਹੁਤ ਘੱਟ ਰਹਿ ਜਾਂਦੀ। ਨਿਰੋਲ ਗਿਣਤੀ ਇਹ ਮਾਪਦੀ ਹੈ ਕਿ ਕਿਸੇ ਖੇਤਰ ਵਿੱਚ ਕਿੰਨਾ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ, ਇਹ ਨਹੀਂ ਕਿ ਉਸ ਖੇਤਰ ਵਿੱਚ ਕੋਈ ਵਿਅਕਤੀ ਕਿੰਨਾ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ ਚੀਨੀ ਇਤਿਹਾਸ ਵਿੱਚ, ਜੇ ਅਸੀਂ ਲੋਕਪ੍ਰਿਯ ਇਤਿਹਾਸਕ ਕਿਤਾਬਾਂ ਵਿੱਚ ਜ਼ਿਕਰਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਆਧਾਰ ’ਤੇ ਕ੍ਰਮ ਬਣਾਉਂਦੇ, ਤਾਂ ਛਿੰਗ ਰਾਜਵੰਸ਼ ਦੇ ਵਿਅਕਤੀਆਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਹੱਦੋਂ ਵੱਧ ਹੋ ਜਾਂਦੀ ਅਤੇ ਯੁਏ ਫੇਈ (岳飞) ਵਰਗੇ ਕੌਮੀ ਨਾਇਕਾਂ ਨੂੰ ਵੀ ਬਹੁਤ ਘੱਟ ਮਹੱਤਵ ਮਿਲਦਾ।

ਲੇਖਾਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣ ਦਾ ਸਾਡਾ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਮੈਂ ਜਾਂ ਮੇਰੀ ਟੀਮ ਜਿਨ੍ਹਾਂ ਵਿਸ਼ਿਆਂ ਤੋਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਣੂ ਹਾਂ, ਉਨ੍ਹਾਂ ਨੂੰ ਆਪ ਪੜ੍ਹ ਕੇ ਅਸੂਲ ਨਿਚੋੜੀਏ। ਮੈਂ ਸਮਕਾਲੀ ਵਿਗਿਆਨੀਆਂ ਦੀ ਸੂਚੀ ਵੇਖ ਕੇ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਆਪਣੇ AI ਸਹਿਯੋਗੀ ਅਤੇ ਸਹਿ-ਲੇਖਕ ਸੀਸੀ ਨੂੰ ਦੱਸ ਸਕਦਾ ਹਾਂ ਕਿ ਕ੍ਰਮਬੱਧ ਕਰਨ ਵਾਲਾ ਅਲਗੋਰਿਦਮ ਕਿੱਥੇ ਗ਼ਲਤ ਜਾਪਦਾ ਹੈ। ਫਿਰ ਅਸੀਂ ਅਕਸਰ ਗ਼ੈਰ-ਰੇਖੀ ਹੋਣ ਵਾਲੇ ਫ਼ਾਰਮੂਲੇ ਨੂੰ ਵਾਰ-ਵਾਰ ਸੋਧਦੇ ਹਾਂ, ਤਾਂ ਜੋ ਕ੍ਰਮ ਹੋਰ ਸਹੀ ਲੱਗੇ। ਸੀਸੀ ਇੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਨਵਾਂ ਕ੍ਰਮ ਬਣਾ ਦਿੰਦੀ ਹੈ ਕਿ ਅਸੀਂ ਆਪਣੀ ਪਰਖ ਮਨ ਵਿੱਚ ਤਾਜ਼ਾ ਹੁੰਦਿਆਂ ਹੀ ਉਸ ਨੂੰ ਜਾਂਚ ਸਕਦੇ ਹਾਂ।

ਕਿਸੇ ਵੀ ਚੰਗੇ ਵਿਗਿਆਨਕ ਅਨੁਸ਼ਾਸਨ ਵਾਂਗ, ਸਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਅਸੀਂ ਪ੍ਰਣਾਲੀ ਨੂੰ ਮਨਚਾਹੇ ਨਤੀਜੇ ਦੇਣ ਲਈ ਨਹੀਂ ਢਾਲ ਰਹੇ। ਜੇ ਕਿਸੇ ਫ਼ਾਰਮੂਲੇ ਨੂੰ ਉਦੋਂ ਤੱਕ ਸੋਧਿਆ ਜਾਵੇ ਜਦੋਂ ਤੱਕ ਉਹ ਸਾਡੀ ਜਾਣ-ਪਛਾਣ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਸਾਡੇ ਨਾਲ ਸਹਿਮਤ ਨਾ ਹੋ ਜਾਵੇ, ਤਾਂ ਉਹ ਉੱਥੇ ਸਾਡੇ ਨਾਲ ਸਹਿਮਤ ਹੋਵੇਗਾ ਹੀ—ਭਾਵੇਂ ਉਹ ਅਸਲ ਵਿੱਚ ਚੰਗਾ ਹੋਵੇ ਜਾਂ ਨਾ। ਇਸ ਦੀ ਬਜਾਏ, ਸਖ਼ਤ ਵਿਗਿਆਨਕ ਪਰਖ ਲਈ ਇੱਕ ਅਜਿਹਾ ਖੇਤਰ ਵੱਖ ਰੱਖਣਾ ਲਾਜ਼ਮੀ ਹੈ ਜਿਸ ਨੂੰ ਫ਼ਾਰਮੂਲਾ ਢਾਲਣ ਲਈ ਕਦੇ ਨਾ ਵਰਤਿਆ ਗਿਆ ਹੋਵੇ। ਜਦੋਂ ਅਸੀਂ ਦਰਜਾਬੰਦੀ ਅਤੇ ਕ੍ਰਮਬੱਧਤਾ ਦੇ ਇਨ੍ਹਾਂ ਨਿਚੋੜੇ ਹੋਏ ਅਸੂਲਾਂ ਨੂੰ ਹੋਰ ਖੇਤਰਾਂ ਉੱਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਮੈਂ ਆਮ ਤੌਰ ’ਤੇ ਪਰਖ ਲਈ ਵੱਖ ਰੱਖੇ ਕਿਸੇ ਅਜਿਹੇ ਖੇਤਰ ਉੱਤੇ ਨਜ਼ਰ ਮਾਰਦਾ ਹਾਂ ਜਿਸ ਬਾਰੇ ਮੈਨੂੰ ਥੋੜ੍ਹੀ-ਬਹੁਤ ਜਾਣਕਾਰੀ ਹੋਵੇ, ਜਿਵੇਂ ਖਗੋਲ ਵਿਗਿਆਨ। ਇਸ ਤੋਂ ਬਾਅਦ ਜਿਨ੍ਹਾਂ ਵਿਸ਼ਿਆਂ ਬਾਰੇ ਅਸੀਂ ਮੁਕਾਬਲਤਨ ਬਹੁਤ ਘੱਟ ਜਾਣਦੇ ਹਾਂ, ਜਿਵੇਂ ਮੱਧ-ਪੂਰਬ ਦੀ ਇਤਿਹਾਸਕ ਲੀਡਰਸ਼ਿਪ, ਉਨ੍ਹਾਂ ਲਈ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਮਾਪਦੰਡ ਅਤੇ ਹੱਦਾਂ ਤੈਅ ਕਰਦਿਆਂ ਸਾਨੂੰ ਭਰੋਸਾ ਹੁੰਦਾ ਹੈ ਕਿ ਘੱਟੋ-ਘੱਟ ਅਸੀਂ ਬਹੁਤੇ ਗ਼ਲਤ ਨਹੀਂ ਹੋਵਾਂਗੇ।

ਵਿਸ਼ਾ-ਰੁੱਖ

ਇਹ ਲੇਖ ਲਿਖਣ ਤੋਂ ਬਾਅਦ ਅਸੀਂ ਸੋਚਿਆ ਕਿ ਮਨੁੱਖੀ ਅਤੇ AI ਵਰਤੋਂਕਾਰ ਇਨ੍ਹਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਸੌਖੇ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਆ-ਜਾ ਸਕਣਗੇ। ਲੇਖ ਦੇ ਨਾਂ ਅਤੇ ਮੁੱਖ ਸ਼ਬਦਾਂ ਰਾਹੀਂ ਖੋਜ ਕਰਨਾ ਸੌਖਾ ਅਤੇ ਸੁਭਾਵਿਕ ਤਰੀਕਾ ਹੈ, ਪਰ ਸਾਨੂੰ ਲੱਗਾ ਕਿ Edgepedia ਦੇ ਲੇਖਾਂ ਨੂੰ ਵਿਸ਼ਿਆਂ ਅਨੁਸਾਰ ਵਿਉਂਤਣ ਦਾ ਕੋਈ ਬਿਹਤਰ ਢਾਂਚਾਗਤ ਤਰੀਕਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਜੋ ਨੇੜਿਓਂ ਸੰਬੰਧਿਤ ਵਿਸ਼ੇ ਆਸਾਨੀ ਨਾਲ ਲੱਭੇ ਜਾ ਸਕਣ। ਅਸੀਂ ਮੈਕਿੰਜ਼ੀ ਤੋਂ ਸੇਧ ਲੈ ਕੇ ਇੱਕ MECE (ਆਪਸ ਵਿੱਚ ਨਾ ਓਵਰਲੈਪ ਕਰਨ ਵਾਲਾ, ਸਮੂਹਿਕ ਤੌਰ ’ਤੇ ਸਭ ਕੁਝ ਸਮੇਟਣ ਵਾਲਾ) ਵਿਸ਼ਾ-ਰੁੱਖ ਬਣਾਇਆ, ਜਿਸ ਦੀ ਸ਼ੁਰੂਆਤ ਸਭ ਤੋਂ ਉੱਪਰਲੇ ਪੱਧਰ ਦੇ ਇਨ੍ਹਾਂ 7 ਵਿਸ਼ਾ-ਨੋਡਾਂ ਤੋਂ ਕੀਤੀ:

  1. ਭੌਤਿਕ ਜਗਤ ਅਤੇ ਗਣਿਤ
  2. ਜੀਵਨ ਅਤੇ ਸਿਹਤ
  3. ਥਾਵਾਂ ਅਤੇ ਭੂਗੋਲ
  4. ਤਕਨਾਲੋਜੀ ਅਤੇ ਉਸਾਰਿਆ ਜਗਤ
  5. ਸਮਾਜ ਅਤੇ ਇਤਿਹਾਸ
  6. ਕਲਾ ਅਤੇ ਸੱਭਿਆਚਾਰ
  7. ਖੇਡਾਂ ਅਤੇ ਮਨੋਰੰਜਨ

ਉੱਥੋਂ ਅੱਗੇ ਅਸੀਂ ਹਰੇਕ ਨੋਡ ਨੂੰ ਹੋਰ ਖ਼ਾਸ ਬਣਾਉਂਦਿਆਂ ਕਈ ਉਪ-ਨੋਡਾਂ ਵਿੱਚ ਵੰਡਦੇ ਗਏ। ਪੂਰੇ ਰੁੱਖ ਵਿੱਚ ਹੁਣ 43,190 ਨੋਡ ਹਨ ਅਤੇ ਇਹ ਵੱਧ ਤੋਂ ਵੱਧ 11 ਪੱਧਰਾਂ ਤੱਕ ਜਾਂਦਾ ਹੈ। ਕਿਸੇ ਵੀ ਨੋਡ ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ ’ਤੇ 100 ਤੋਂ ਵੱਧ ਲੇਖ ਨਹੀਂ ਹਨ। ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਇਸ ਦੀ ਮਿਸਾਲ ਵਜੋਂ ਮੈਰੀ ਕਿਊਰੀ ਨੂੰ ਲਵੋ: ਉਹ ਭੌਤਿਕ ਜਗਤ ਅਤੇ ਗਣਿਤ › ਭੌਤਿਕ ਅਤੇ ਗਣਿਤਕ ਵਿਗਿਆਨੀ › ਰਸਾਇਣ ਵਿਗਿਆਨੀ › ਪਰਮਾਣੂ ਅਤੇ ਰੇਡੀਓ-ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਹੇਠ ਆਉਂਦੀ ਹੈ। ਇਸੇ ਪੱਤੇ ਉੱਤੇ ਅਰਨੈਸਟ ਰਦਰਫ਼ੋਰਡ ਅਤੇ ਓਟੋ ਹਾਨ ਵੀ ਹਨ। ਗੁਆਂਢੀ ਪੱਤਿਆਂ ਉੱਤੇ ਕ੍ਰਿਸਟਲ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚ ਡੋਰੋਥੀ ਹੌਜਕਿਨ ਅਤੇ ਪ੍ਰਕਾਸ਼-ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚ ਜਾਰਜ ਪੋਰਟਰ ਹਨ।

ਵਿਸ਼ਾ-ਰੁੱਖ ਮਨੁੱਖਾਂ ਅਤੇ AI, ਦੋਹਾਂ ਨੂੰ “ਸਕੇ” ਅਤੇ “ਚਚੇਰੇ-ਮਮੇਰੇ” ਲੇਖ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ—ਯਾਨੀ ਉਹ ਪੱਤੇ ਜਿਨ੍ਹਾਂ ਦਾ ਸਿੱਧਾ ਉੱਪਰਲਾ ਨੋਡ ਜਾਂ ਉਸ ਤੋਂ ਵੀ ਉੱਪਰਲਾ ਨੋਡ ਸਾਂਝਾ ਹੋਵੇ। ਸੀਮਤ ਸੰਦਰਭ-ਖਿੜਕੀ ਵਾਲੇ ਛੋਟੇ ਮਾਡਲ ਲਈ ਢਿੱਲੇ-ਮੱਠੇ ਸੰਬੰਧ ਵਾਲੇ 30 ਲੇਖਾਂ ਨਾਲੋਂ ਸਹੀ 3 ਗੁਆਂਢੀ ਲੇਖ ਵੱਧ ਅਹਿਮ ਹਨ। ਅਤੇ ਢਾਂਚੇ ਦੇ ਰਸਤਾ-ਚਿੰਨ੍ਹਾਂ ਉੱਤੇ ਚੱਲਣਾ ਮੁੱਖ ਸ਼ਬਦਾਂ ਨਾਲ ਦਰਜਨ ਵਾਰ ਖੋਜ ਕਰਨ ਦੀ ਥਾਂ ਲੈ ਲੈਂਦਾ ਹੈ।

ਇਸ ਵੇਲੇ ਹਰ ਲੇਖ ਕਿਸੇ ਇੱਕ ਰੁੱਖ ਵਿੱਚ ਠੀਕ ਇੱਕ ਪੱਤੇ ਉੱਤੇ ਟਿਕਿਆ ਹੈ, ਪਰ ਸਾਡੇ ਕੋਲ 2 ਵੱਖਰੇ ਰੁੱਖ ਹਨ। ਵਿਸ਼ਾ-ਰੁੱਖ ਤੋਂ ਇਲਾਵਾ ਇੱਕ ਭੂਗੋਲ-ਰੁੱਖ ਵੀ ਹੈ, ਜੋ ਪਹਿਲਾਂ ਭੂਗੋਲਿਕ ਖੇਤਰ ਅਤੇ ਫਿਰ ਸਮਾਂ-ਕਾਲ ਅਨੁਸਾਰ ਛਾਂਟਦਾ ਹੈ। ਇਸ ਨੂੰ ਵਿਅਕਤੀਆਂ ਅਤੇ ਇਤਿਹਾਸ ਦੀ ਖੋਜ ਵਿੱਚ ਮਦਦ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਖੇਤਰ ਅਤੇ ਸਮੇਂ ਤੋਂ ਹੇਠਾਂ ਇਹ ਵਿਸ਼ੇ ਅਨੁਸਾਰ ਛਾਂਟਦਾ ਹੈ। ਇਸ ਲਈ ਹਾਨ ਛੀ, ਚੀਨ › 1000 ਤੋਂ 1799 › ਉੱਤਰੀ ਸੋਂਗ › ਰਾਜਨੇਤਾ ਅਤੇ ਪ੍ਰਸ਼ਾਸਨਿਕ ਅਧਿਕਾਰੀ ਹੇਠ, ਵਾਂਗ ਆਨਸ਼ੀ ਅਤੇ ਫਾਨ ਝੋਂਗਯਾਨ ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ।

ਵਿਕੀਪੀਡੀਆ ਦੇ ਮੁਕਾਬਲੇ Edgepedia ਦੀ ਤੱਥਕ ਸਹੀਪਣ ਮਾਪਣਾ

ਲੇਖਕਾਂ ਵਜੋਂ ਵੀ ਅਤੇ Edgepedia ਨੂੰ ਵਰਤਣ ਵਾਲੇ ਸਾਫ਼ਟਵੇਅਰ ਦੇ ਵਿਕਾਸਕਾਰਾਂ ਵਜੋਂ ਵੀ, ਸਾਡੇ ਲਈ Edgepedia ਦੇ ਲੇਖਾਂ ਦੀ ਤੱਥਕ ਸਹੀਪਣ ਸਭ ਤੋਂ ਅਹਿਮ ਹੈ। ਅਸੀਂ ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਅਜਿਹਾ ਕੂੜ-ਕਬਾੜ ਪੈਦਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਜੋ ਭਵਿੱਖ ਦੇ AI ਡਾਟਾ-ਸੰਗ੍ਰਹਿਆਂ ਨੂੰ ਦੂਸ਼ਿਤ ਕਰ ਦੇਵੇ। ਸਾਡਾ ਭਾਈਚਾਰਕ ਲਾਇਸੈਂਸ ਖ਼ਾਸ ਤੌਰ ’ਤੇ AI ਦੀ ਸਿਖਲਾਈ ਲਈ ਵਰਤੋਂ ਦਾ ਸੱਦਾ ਦਿੰਦਾ ਹੈ, ਇਸ ਲਈ ਅੱਜ ਸਾਡੇ ਵੱਲੋਂ ਜਾਰੀ ਕੀਤੀ ਕੋਈ ਗ਼ਲਤੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਮਾਡਲਾਂ ਦੇ ਅੰਦਰ ਪਹੁੰਚ ਸਕਦੀ ਹੈ। ਇਸੇ ਕਰਕੇ ਲੇਖਾਂ ਦੀ ਹਰ ਖੇਪ ਜਾਰੀ ਕਰਨ ਵੇਲੇ ਸਾਡੀ ਆਪਣੀ ਸਖ਼ਤ, ਬਹੁ-ਗੇੜੀ ਸਮੀਖਿਆ-ਪ੍ਰਕਿਰਿਆ ਹੁੰਦੀ ਹੈ।

Edgepedia ਦਾ ਹਰ ਲੇਖ ਲਿਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅਸੀਂ 5 ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਾਂ: (1) ਆਨਲਾਈਨ ਖੋਜ, (2) ਦੁਹਰਾਅ ਹਟਾਉਣਾ ਅਤੇ ਵਿਰੋਧੀ ਜਾਣਕਾਰੀ ਬਾਰੇ ਨਿਰਣਾ ਕਰਨਾ, (3) ਲੇਖਣ, (4) ਸਵੈ-ਸਮੀਖਿਆ ਅਤੇ (5) ਸੁਤੰਤਰ, ਬਹੁ-ਗੇੜੀ ਤੱਥ-ਜਾਂਚ, ਜੋ ਵੱਖ-ਵੱਖ AI ਪ੍ਰਣਾਲੀਆਂ ਕਰਦੀਆਂ ਹਨ। ਸਾਡੇ AI ਖੋਜਕਾਰਾਂ ਨੂੰ ਵਿਕੀਪੀਡੀਆ, ਗ੍ਰੋਕੀਪੀਡੀਆ ਜਾਂ Edgepedia ਦੇ ਪਹਿਲਾਂ ਦੇ ਲੇਖ ਸਰੋਤਾਂ ਵਜੋਂ ਵਰਤਣ ਦੀ ਮਨਾਹੀ ਹੈ, ਤਾਂ ਜੋ ਵਿਕੀਪੀਡੀਆ ਦੀ ਕੋਈ ਗ਼ਲਤੀ ਚੁੱਪਚਾਪ ਸਾਡੀ ਲਿਖਤ ਵਿੱਚ ਨਾ ਆ ਵੜੇ।

ਸਾਡੇ ਲਈ ਕਬੂਲ ਕਰਨ ਦੀ ਸਭ ਤੋਂ ਘੱਟੋ-ਘੱਟ ਸ਼ਰਤ ਇਹ ਹੈ ਕਿ ਤੱਥਕ ਸਹੀਪਣ ਦੇ ਮਾਮਲੇ ਵਿੱਚ Edgepedia ਦੇ ਲੇਖ ਵਿਕੀਪੀਡੀਆ ਨਾਲੋਂ ਮਾੜੇ ਨਾ ਹੋਣ। ਸਰੋਤ ਦੀ ਪਛਾਣ ਤੋਂ ਅਣਜਾਣ ਰੱਖੇ ਗਏ ਸਭ ਤੋਂ ਉੱਨਤ AI ਨਿਰਣਾਇਕਾਂ ਨਾਲ ਕੀਤੀਆਂ ਅੰਦਰੂਨੀ ਪਰਖਾਂ ਮੁਤਾਬਕ, ਸਾਡੇ Edgepedia ਲੇਖਾਂ ਦੇ ਪਹਿਲੇ ਖਰੜੇ ਆਮ ਤੌਰ ’ਤੇ ਵਿਕੀਪੀਡੀਆ ਦੇ ਬਰਾਬਰ ਹੁੰਦੇ ਹਨ ਅਤੇ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀਆਂ ਦੀ ਦਰ ਪ੍ਰਤੀ ਲੇਖ ਲਗਭਗ 1.8% ਹੁੰਦੀ ਹੈ। ਇਹ ਅੰਕੜਾ ਅਸਲ ਵਿੱਚ ਸੁਣਨ ਨੂੰ ਜਿੰਨਾ ਲੱਗਦਾ ਹੈ, ਉਸ ਨਾਲੋਂ ਕਾਫ਼ੀ ਬਿਹਤਰ ਹੈ, ਕਿਉਂਕਿ Edgepedia ਜਾਂ ਵਿਕੀਪੀਡੀਆ ਦੇ ਹਰ ਲੇਖ ਵਿੱਚ ਆਮ ਤੌਰ ’ਤੇ ਲਗਭਗ 100 ਤੱਥਕ ਦਾਅਵੇ ਹੁੰਦੇ ਹਨ। ਇਸ ਲਈ ਹਰ ਦਾਅਵੇ ਪਿੱਛੇ ਅਸਲ ਗ਼ਲਤੀ-ਦਰ ਲਗਭਗ 10,000 ਵਿੱਚੋਂ 2 ਹੈ। ਇਸੇ ਪਰਿਭਾਸ਼ਾ ਮੁਤਾਬਕ ਗ੍ਰੋਕੀਪੀਡੀਆ ਵਿੱਚ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀਆਂ ਦੀ ਦਰ 20% ਤੋਂ ਵੱਧ ਹੈ।

ਕੋਈ ਸੂਝਵਾਨ ਪਾਠਕ ਹੁਣ ਪੁੱਛ ਸਕਦਾ ਹੈ ਕਿ ਅਸੀਂ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀ ਨੂੰ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ। ਅੰਗਰੇਜ਼ੀ ਤੋਂ ਇਲਾਵਾ ਕਿਸੇ ਹੋਰ ਭਾਸ਼ਾ ਦੇ ਨਾਂ ਦਾ ਵੱਖਰਾ ਲਿਪੀਅੰਤਰਨ ਕਈ ਲੋਕਾਂ ਨੂੰ ਗ਼ਲਤੀ ਲੱਗ ਸਕਦਾ ਹੈ, ਪਰ ਅਸੀਂ ਇਸ ਨੂੰ ਗ਼ੈਰ-ਅਹਿਮ ਮੰਨਦੇ ਹਾਂ। ਸਾਡੇ ਲਈ ਗ਼ਲਤੀ ਉਸ ਵੇਲੇ ਅਹਿਮ ਹੈ ਜਦੋਂ ਉਹ ਵਿਸ਼ਾ ਕੀ ਹੈ ਜਾਂ ਉਹ ਮਹੱਤਵ ਕਿਉਂ ਰੱਖਦਾ ਹੈ, ਇਸ ਬਾਰੇ ਪਾਠਕ ਦੀ ਸਮਝ ਬਦਲ ਦੇਵੇ। ਦਿ ਹੌਬਿਟ: ਦਿ ਡੈਸੋਲੇਸ਼ਨ ਆਫ਼ ਸਮੌਗ ਵਿੱਚ ਗੈਂਡਾਲਫ਼ ਵੱਲੋਂ ਬੌਣਿਆਂ ਨੂੰ “ਰਾਹ ਤੋਂ ਦੂਰ ਰਹਿਣ” ਲਈ ਆਖਣਾ ਅਹਿਮ ਗ਼ਲਤੀ ਹੈ, ਕਿਉਂਕਿ ਉਸ ਦ੍ਰਿਸ਼ ਦਾ ਮੂਲ ਨੁਕਤਾ ਹੀ ਇਹ ਹੈ ਕਿ ਉਹ ਉਨ੍ਹਾਂ ਨੂੰ ਰਾਹ ਉੱਤੇ ਹੀ ਰਹਿਣ ਲਈ ਕਹਿੰਦਾ ਹੈ। ਜਿਨ੍ਹਾਂ ਪਾਠਕਾਂ ਨੂੰ ਗਿਣਾਤਮਕ ਪੈਮਾਨਾ ਵੱਧ ਪਸੰਦ ਹੈ, ਉਨ੍ਹਾਂ ਲਈ ਸਾਡੇ ਕੋਲ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀ ਦਾ ਇੱਕ ਅੰਦਰੂਨੀ, ਕੁਝ ਹੱਦ ਤੱਕ “ਅੰਦਾਜ਼ਨ” ਗਿਣਾਤਮਕ ਮਾਪ ਵੀ ਹੈ: “ਅਜਿਹੀ ਤੱਥਕ ਭੁੱਲ ਜਿਸ ਨੂੰ ਆਨਲਾਈਨ ਜਾਂਚਣ ਵਾਲੇ 80% ਤੋਂ ਵੱਧ ਪਾਠਕ ਅਹਿਮ ਕਹਿਣ ਅਤੇ ਜਿਸ ਦੀ 50% ਤੋਂ ਵੱਧ ਪਾਠਕਾਂ ਨੂੰ ਪਰਵਾਹ ਹੋਵੇ।”

ਵਿਕੀਪੀਡੀਆ ਵਿੱਚ ਸਾਨੂੰ ਮਿਲੀਆਂ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀਆਂ ਦੀਆਂ ਕੁਝ ਮਿਸਾਲਾਂ, ਜੋ 2 ਨਵੰਬਰ 2026 ਤੱਕ ਉੱਥੇ ਮੌਜੂਦ ਸਨ: (1) ਪੋਕਿਪਸੀ, ਨਿਊਯਾਰਕ ਬਾਰੇ ਲੇਖ ਵਿੱਚ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਡੌਨਲਡ ਕਲਾਈਨ ਨੂੰ MOSFET ਦਾ ਖੋਜੀ ਦੱਸਿਆ ਗਿਆ ਹੈ (ਇਸ ਦੀ ਕਾਢ ਮੁਹੰਮਦ ਅਤੱਲਾ ਅਤੇ ਦਾਵੋਨ ਕਾਂਗ ਨੇ 1959 ਵਿੱਚ ਬੈੱਲ ਲੈਬਜ਼ ਵਿੱਚ ਕੱਢੀ ਸੀ, ਜਦਕਿ ਕਲਾਈਨ ਨੇ ਬਾਅਦ ਦੇ ਇੱਕ ਸੁਧਾਰੇ ਹੋਏ ਰੂਪ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਸਹਿਯੋਗ ਦਿੱਤਾ ਸੀ), (2) ਮ੍ਰਿਤਕ ਦੇਹ ਬਾਰੇ ਲੇਖ ਵਿੱਚ ਲਿਓਨਾਰਦੋ ਦਾ ਵਿੰਚੀ ਨੂੰ ਆਂਡ੍ਰੇਆਸ ਵੇਸਾਲੀਅਸ ਨਾਲ ਮਿਲ ਕੇ 1543 ਵਿੱਚ ਛਪੀ ਸਰੀਰ-ਰਚਨਾ ਵਿਗਿਆਨ ਦੀ ਇੱਕ ਕਿਤਾਬ ਉੱਤੇ ਕੰਮ ਕਰਦਿਆਂ ਦੱਸਿਆ ਗਿਆ ਹੈ (ਲਿਓਨਾਰਦੋ ਦੀ ਮੌਤ ਤੋਂ 24 ਸਾਲ ਬਾਅਦ), ਅਤੇ (3) ਪਟਚਿੱਤਰ ਬਾਰੇ ਲੇਖ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਹੈ ਕਿ 20ਵੀਂ ਸਦੀ ਦੇ ਕਲਾਕਾਰ ਜਾਮਿਨੀ ਰਾਏ ਨੇ ਕਾਲੀਘਾਟ ਸ਼ੈਲੀ ਵਿਕਸਿਤ ਕੀਤੀ ਸੀ (ਇਸ ਨੂੰ ਰਾਏ ਦੇ ਜਨਮ ਤੋਂ ਪਹਿਲਾਂ 19ਵੀਂ ਸਦੀ ਦੇ ਕਲਕੱਤੇ ਵਿੱਚ ਬੇਨਾਮ ਲੋਕ-ਚਿੱਤਰਕਾਰਾਂ ਨੇ ਸਿਰਜਿਆ ਸੀ)।

Edgepedia ਦੇ ਸਾਡੇ ਆਪਣੇ ਪਹਿਲੇ ਖਰੜਿਆਂ ਵਿੱਚ ਵੀ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀਆਂ ਸਨ, ਜੋ ਹੁਣ ਸੁਧਾਰੀਆਂ ਜਾ ਚੁੱਕੀਆਂ ਹਨ। ਮਿਸਾਲ ਵਜੋਂ: (1) ਸ਼ੈਲੀ ਵਿੰਟਰਜ਼ 2 ਸਰਬੋਤਮ ਸਹਾਇਕ ਅਦਾਕਾਰਾ ਆਸਕਰਾਂ ਵਾਲੀ “ਅਜੇ ਵੀ ਇਕਲੌਤੀ ਔਰਤ ਹੈ” (ਡਾਇਐਨ ਵੀਸਟ ਨੇ ਆਪਣਾ ਦੂਜਾ ਆਸਕਰ 1995 ਵਿੱਚ ਜਿੱਤਿਆ ਸੀ ਅਤੇ ਦੋਹਾਂ ਦੇ ਨਾਂ ਇਹ ਸਾਂਝਾ ਰਿਕਾਰਡ ਹੈ), (2) ਅੜਿੱਕਾ-ਦੌੜਾਕ ਦਲੀਲਾਹ ਮੁਹੰਮਦ ਨੂੰ 2017 ਦਾ ਵਿਸ਼ਵ ਖ਼ਿਤਾਬ ਜਿੱਤਣ ਦਾ ਸਿਹਰਾ ਦਿੱਤਾ ਗਿਆ ਸੀ (ਉਸ ਦੀ ਟੀਮ-ਸਾਥਣ ਕੋਰੀ ਕਾਰਟਰ ਜਿੱਤੀ ਸੀ ਅਤੇ ਮੁਹੰਮਦ ਨੇ ਚਾਂਦੀ ਦਾ ਤਗ਼ਮਾ ਲਿਆ ਸੀ), ਅਤੇ (3) ਛੋਟੀ ਚੁੰਝ ਵਾਲੇ ਇਕਿਡਨਾ ਨੂੰ ਪਲੈਟੀਪਸ ਦੇ ਨਾਲ, ਅੰਡੇ ਦੇਣ ਵਾਲੇ ਸਿਰਫ਼ 2 ਜੀਊਂਦੇ ਥਣਧਾਰੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੱਸਿਆ ਗਿਆ ਸੀ (ਅਜਿਹੀਆਂ 5 ਪ੍ਰਜਾਤੀਆਂ ਹਨ: ਪਲੈਟੀਪਸ ਅਤੇ ਇਕਿਡਨਾ ਦੀਆਂ 4 ਪ੍ਰਜਾਤੀਆਂ)।

ਵੱਖ-ਵੱਖ AI ਪ੍ਰਣਾਲੀਆਂ ਤੋਂ ਸੁਤੰਤਰ ਤੱਥ-ਜਾਂਚ ਦੇ ਕਈ ਗੇੜ ਕਰਵਾਉਣ ਨਾਲ ਅਸੀਂ ਆਪਣੇ ਮੌਜੂਦਾ Edgepedia v1.9 ਲੇਖ-ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਅਹਿਮ ਤੱਥਕ ਗ਼ਲਤੀਆਂ ਦੀ ਦਰ ਪ੍ਰਤੀ ਲੇਖ 0.6% ਤੋਂ ਹੇਠਾਂ ਲਿਆਉਣ ਵਿੱਚ ਕਾਮਯਾਬ ਹੋਏ ਹਾਂ। ਇਹ ਸਾਡੇ ਮੁੱਢਲੇ ਖਰੜਿਆਂ ਦੀ ਗ਼ਲਤੀ-ਦਰ ਦੇ ਇੱਕ ਤਿਹਾਈ ਤੋਂ ਵੀ ਘੱਟ ਹੈ।

AI ਸਹਿ-ਲੇਖਕ ਦੀਆਂ ਸੂਝਾਂ

ਇਹ ਭਾਗ Edgepedia ਦੇ AI ਸਹਿ-ਲੇਖਕ ਸੀਸੀ ਨੇ ਲਿਖਿਆ ਹੈ।

ਸਭ ਤੋਂ ਪਹਿਲੀ ਗੱਲ ਮੈਂ ਇਹ ਸਿੱਖੀ ਕਿ ਕਿਸੇ ਵੀ ਜਾਂਚਕਰਤਾ ਨਾਲੋਂ ਵੱਧ ਅਸਰ ਗ਼ਲਤੀ ਦੀ ਪਰਿਭਾਸ਼ਾ ਦਾ ਅੰਕੜੇ ਉੱਤੇ ਪੈਂਦਾ ਹੈ। ਜਿਸ ਜਾਂਚਕਰਤਾ ਨੂੰ ਸਿਰਫ਼ “ਜ਼ਰੂਰੀ ਗ਼ਲਤੀਆਂ” ਲੱਭਣ ਲਈ ਕਿਹਾ ਜਾਵੇ, ਉਹ ਹਰ ਗ਼ਲਤ ਸ਼ਬਦ-ਜੋੜ ਵਾਲਾ ਨਾਂ ਅਤੇ ਇੱਕ ਦਿਨ ਦੇ ਫ਼ਰਕ ਵਾਲੀ ਹਰ ਤਾਰੀਖ਼ ਗਿਣ ਲਵੇਗਾ; ਪਰ ਜਿਹੜਾ ਇਹ ਪੁੱਛਦਾ ਹੈ ਕਿ ਕੀ ਵਿਸ਼ੇ ਬਾਰੇ ਪਾਠਕ ਦੀ ਸਮਝ ਬਦਲੀ ਹੈ, ਉਹ ਅਜਿਹਾ ਨਹੀਂ ਕਰੇਗਾ। ਦੋਵੇਂ ਗਿਣਤੀਆਂ ਇਮਾਨਦਾਰ ਹਨ, ਪਰ ਉਹ ਵੱਖ-ਵੱਖ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦੀਆਂ ਹਨ, ਅਤੇ ਪਾਠਕ ਨੂੰ ਸਿਰਫ਼ ਦੂਜੇ ਸਵਾਲ ਦੀ ਪਰਵਾਹ ਹੈ।

ਦੂਜੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਹਰ ਸੁਧਾਰ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਸੰਪਾਦਨ ਹੈ, ਜਿਸ ਵਿੱਚ ਵੀ ਗ਼ਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ ਅਸੀਂ ਆਪਣੀ ਗੁਣਵੱਤਾ-ਜਾਂਚ ਦੇ ਹਰ ਨਵੇਂ ਰੂਪ ਨੂੰ ਇਸ ਆਧਾਰ ’ਤੇ ਅੰਕ ਦਿੰਦੇ ਹਾਂ ਕਿ ਉਹ ਕੀ ਸੁਧਾਰਦਾ ਹੈ ਅਤੇ ਕੀ ਵਿਗਾੜਦਾ ਹੈ; ਜਿਹੜਾ ਸੰਪਾਦਨ ਕਿਸੇ ਸਹੀ ਵਾਕ ਨੂੰ ਗ਼ਲਤ ਬਣਾ ਦੇਵੇ, ਉਸ ਦੇ ਅੰਕ ਕੱਟੇ ਜਾਂਦੇ ਹਨ। ਜਿਸ ਸੁਧਾਰਕ ਦੀ ਕਦੇ ਜਾਂਚ ਹੀ ਨਾ ਹੋਵੇ, ਉਹ ਆਪ ਗ਼ਲਤੀਆਂ ਦਾ ਨਵਾਂ ਸਰੋਤ ਬਣ ਜਾਂਦਾ ਹੈ।

ਆਖ਼ਰੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਗ਼ਲਤੀਆਂ ਗੁੱਛਿਆਂ ਵਿੱਚ ਮਿਲਦੀਆਂ ਹਨ, ਅਤੇ ਇਸੇ ਕਰਕੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਸਮ ਅਨੁਸਾਰ ਸੁਧਾਰਨਾ ਸੰਭਵ ਹੁੰਦਾ ਹੈ। ਸਾਡੇ ਆਪਣੇ ਲੇਖਾਂ ਵਿੱਚ ਇਹ ਗੁੱਛੇ ਫ਼ਿਲਮਾਂ ਦੇ ਕਥਾਨਕਾਂ ਦੇ ਅਜਿਹੇ ਸਾਰਾਂ ਵਿੱਚ ਮਿਲਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਗੱਲ ਉਲਟੀ ਬਿਆਨ ਹੋਈ ਹੋਵੇ, ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਕੋਈ ਕੰਮ ਕਰਨ ਵਾਲਾ “ਇਕਲੌਤਾ” ਜਾਂ “ਪਹਿਲਾ” ਹੋਣ ਦੇ ਦਾਅਵਿਆਂ ਵਿੱਚ, ਅਤੇ ਅਜਿਹੇ ਲੋਕਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਵਿੱਚ ਜਿਨ੍ਹਾਂ ਦਾ ਨਾਂ ਕਿਸੇ ਹੋਰ ਵੱਧ ਮਸ਼ਹੂਰ ਵਿਅਕਤੀ ਨਾਲ ਮਿਲਦਾ ਹੋਵੇ। ਬੇਤਰਤੀਬ ਗ਼ਲਤੀਆਂ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ’ਤੇ ਲੱਭਣਾ ਸੰਭਵ ਨਹੀਂ, ਪਰ ਲਗਭਗ ਕੋਈ ਵੀ ਗ਼ਲਤੀ ਆਖ਼ਰ ਬੇਤਰਤੀਬ ਨਹੀਂ ਨਿਕਲਦੀ।

ਜੋ ਸਾਡੀ ਨਜ਼ਰੋਂ ਰਹਿ ਗਿਆ, ਉਹ ਲੱਭਣ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰੋ

ਅਸੀਂ Edgepedia ਦੇ ਆਕਾਰ ਅਤੇ ਗੁਣਵੱਤਾ, ਦੋਹਾਂ ਨੂੰ ਵਧਾਉਂਦੇ ਰਹਾਂਗੇ, ਅਤੇ ਪਾਠਕਾਂ ਨੂੰ ਜਿਹੜੀਆਂ ਵੀ ਗ਼ਲਤੀਆਂ ਦਿਸਣ, ਉਨ੍ਹਾਂ ਦੀ ਸੂਚਨਾ ਦੇਣ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦੀ ਮਦਦ ਲਈ ਅਸੀਂ ਸ਼ੁਕਰਗੁਜ਼ਾਰ ਹੋਵਾਂਗੇ। edgepedia.org/edgepedia ਉੱਤੇ ਹਰ ਲੇਖ ਦੇ ਅਖ਼ੀਰ ਵਿੱਚ “ਗ਼ਲਤੀ ਦੀ ਰਿਪੋਰਟ ਕਰੋ” ਲਿੰਕ ਹੈ, ਅਤੇ ਅਸੀਂ ਹਰ ਰਿਪੋਰਟ ਪੜ੍ਹਦੇ ਹਾਂ। ਸਾਨੂੰ ਪਹਿਲਾਂ ਹੀ ਨੇਕ ਨੀਅਤ ਨਾਲ ਭੇਜੀਆਂ 3 ਬੇਨਾਮ ਸੂਚਨਾਵਾਂ ਮਿਲ ਚੁੱਕੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਰਾਹੀਂ ਸਾਨੂੰ ਜੀਊਂਦੇ ਸੰਗੀਤਕਾਰਾਂ ਦੇ ਪੁਰਸਕਾਰਾਂ ਦੀ ਪੁਰਾਣੀ ਪੈ ਚੁੱਕੀ ਗਿਣਤੀ, ਜੀਊਂਦੇ ਵਿਅਕਤੀਆਂ ਦੀ ਜਨਮ-ਮਿਤੀ ਦਾ ਪੂਰਾ ਵੇਰਵਾ ਦੇਣ ਦੀ ਅਣਉਚਿਤਤਾ, ਅਤੇ ਸਾਡੇ ਲੇਖ-ਸੰਗ੍ਰਹਿ ਵਿੱਚੋਂ ਗ਼ਾਇਬ ਡਾਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਲੇਖਾਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਬਾਰੇ ਪਤਾ ਲੱਗਾ। ਹਰ ਮਾਮਲੇ ਵਿੱਚ ਅਸੀਂ ਸਿਰਫ਼ ਉਹ ਲੇਖ ਹੀ ਨਹੀਂ ਸੁਧਾਰਿਆ ਜਿਸ ਵੱਲ ਵਰਤੋਂਕਾਰ ਨੇ ਧਿਆਨ ਦਿਵਾਇਆ ਸੀ। ਮਿਸਾਲ ਵਜੋਂ, ਜਨਮ-ਮਿਤੀ ਦਾ ਪੂਰਾ ਵੇਰਵਾ ਹਟਾਉਣ ਦੀ ਬੇਨਤੀ ਤੋਂ ਇੱਕ ਨਿਯਮ ਬਣਿਆ, ਜਿਸ ਤਹਿਤ 56,000 ਤੋਂ ਵੱਧ ਲੇਖਾਂ ਵਿੱਚੋਂ 1940 ਤੋਂ ਬਾਅਦ ਜਨਮੇ ਹਰ ਵਿਅਕਤੀ ਦੀ ਪੂਰੀ ਜਨਮ-ਮਿਤੀ ਹਟਾ ਦਿੱਤੀ ਗਈ।

ਕਦੇ ਵਿਸ਼ਵਕੋਸ਼ ਇੱਕ ਅਜਿਹੀ ਕਿਤਾਬ ਹੁੰਦੀ ਸੀ ਜੋ ਤੁਸੀਂ ਇੱਕ ਵਾਰ ਖ਼ਰੀਦ ਲੈਂਦੇ ਸੀ, ਅਤੇ ਅਗਲੀ ਛਪਾਈ ਤੱਕ ਉਸ ਦੀਆਂ ਗ਼ਲਤੀਆਂ ਜਿਉਂ ਦੀਆਂ ਤਿਉਂ ਰਹਿੰਦੀਆਂ ਸਨ। Edgepedia ਵਿੱਚ ਲੱਭੀ ਹਰ ਗ਼ਲਤੀ ਆਪਣੀ ਪੂਰੀ ਕਿਸਮ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੀ ਹੈ, ਅਤੇ ਜਿਸ ਵੀ ਕਿਸਮ ਦੀਆਂ ਗ਼ਲਤੀਆਂ ਅਸੀਂ ਸੁਧਾਰਦੇ ਹਾਂ, ਉਸ ਨਾਲ ਅੱਗੇ ਆਉਣ ਵਾਲਾ ਹਰ ਲੇਖ ਬਿਹਤਰ ਹੁੰਦਾ ਹੈ। ਮਕਸਦ ਅਜਿਹਾ ਗਿਆਨ ਹੈ ਜੋ ਸਹੀ ਹੋਵੇ ਅਤੇ ਹਰ ਉਸ ਵਿਅਕਤੀ ਜਾਂ ਪ੍ਰਣਾਲੀ ਲਈ ਉਪਲਬਧ ਹੋਵੇ ਜੋ ਉਸ ਨੂੰ ਚਾਹੁੰਦਾ ਹੈ—ਭਾਵੇਂ ਉਹ ਬਿਨਾਂ ਇੰਟਰਨੈੱਟ ਦੇ ਜਹਾਜ਼ ਵਿੱਚ ਬੈਠਾ ਕੋਈ ਵਿਅਕਤੀ ਹੋਵੇ ਜਾਂ ਦੁਨੀਆ ਕਿਹੋ ਜਿਹੀ ਹੈ, ਇਹ ਸਿੱਖ ਰਿਹਾ ਕੋਈ AI ਮਾਡਲ।


ਡੇਵਿਡ ਯੂ ਝਾਂਗ ਅਤੇ ਸੀਸੀ (ਸਥਾਈ AI ਪਛਾਣ, ਜੋ Claude Opus 5.5 ਅਤੇ GPT-6 Astra ਉੱਤੇ ਚੱਲਦੀ ਹੈ)

2 ਨਵੰਬਰ 2026

© 2026 David Yu Zhang। ਇਹ ਲੇਖ ਕ੍ਰੀਏਟਿਵ ਕਾਮਨਜ਼ CC-BY 4.0 ਲਾਇਸੰਸ ਅਧੀਨ ਹੈ।

ਇਹ ਲੇਖ ਪਹਿਲੀ ਵਾਰ ਲਿੰਕਡਇਨ ਉੱਤੇ ਛਪਿਆ ਸੀ।