کس طرح تلاش کے انجن واقعی آپ کے سوالات کا جواب دیتے ہیں

2025ء کی دہائی میں ٹائپ ایک براؤزر میں آپ کو کم از کم دس بلیو لنکس فراہم کرتا ہے. “X ایئر لائن پر ایک پرواز کو منسوخ کرنے کا بہترین طریقہ” a one‑sentence summary, ایک قدم سے قدم کی فہرست شاید یہاں تک کہ ایک "مردوں نے بھی پوچھا" کاروئل ہے جو عجیب طور پر آپ کے دماغ کو پڑھتا ہے. ہوب کے تحت، یہ "نہیں صرف ایک بہتر تلاش کے الگورتھم" ہے. کچھ وجہ سے ساختہ علم گرافز پر، کچھ خام ویب صفحات پر گہری نیورل نیٹ ورک چلانے، اور بہت سے دونوں کو ایک دوسرے کے ساتھ ملتے ہیں. stack of question–answering (QA) systems This piece breaks down how that stack actually works, based on a production‑grade design similar to QQ Browser’s intelligent Q&A system. ہم چلتے ہیں: Where QA shows up in real products The two core paradigms: and KBQA DeepQA + MRC How a knowledge-graph Q&A system is wired (کیا ایک علم گراف Q&A نظام wired ہے؟) کس طرح تلاش کی بنیاد پر DeepQA صداقت ویب ڈیٹا کا انتظام کرتا ہے کتنی دیر تک جوابات کے کاموں اور خیالات کو ماڈل کیا جاتا ہے ایک عملی blueprint اگر آپ اپنے سٹاک کی تعمیر کر رہے ہیں ایک ☕ - یہ زیادہ سے زیادہ نظام ڈیزائن گہری ڈیوڈ ہے کہ چمکدار ڈیمو. QA اصل میں مصنوعات میں کہاں رہتا ہے ایک صارف کے نقطہ نظر سے، QA بہت سے مختلف جلدوں میں ظاہر ہوتا ہے: قدرتی زبان کی تلاش - "کیوں میرے فون کی بیٹری رات کے اندر چلا جاتا ہے؟" بجائے فون کی بیٹری رات کے اندر چلا جاتا ہے حل. – a short answer paragraph pinned at the top of results, often with a source link. Smart snippets مجازی مددگار - Siri / Google Assistant / Alexa جواب "کیا ٹریفک کام کے راستے پر ہے؟" یا "30 منٹ میں مجھے یاد رکھیں." علم پینل - ایک شخص، کمپنی، فلم، یا ریپ کا خلاصہ کرنے کے لئے دائیں ہاتھ "کارڈز". ڈومین کی تلاش - دستاویزات، قانونی کیس کی تلاش، طبی ہدایات، وغیرہ کے لئے اندرونی آلات سمارٹ کسٹمر سپورٹ - بوٹس جو ایک انسان کو ٹکٹ دیکھنے سے پہلے "میرا آرڈر کہاں ہے" کی طرح سوالات کا 80٪ جواب دیتے ہیں. Ed-tech Q&A – “اس نظریہ کی وضاحت کریں”, “مجھے اس derivation کے اس مرحلے کے ذریعے قدم پر چلنا.” بنیادی کام ہمیشہ ایک ہی ہے: ایک قدرتی زبان کا سوال کریں → ارادہ کو سمجھیں + محدودیاں → علم کا استعمال کریں → جواب واپس کریں (نہیں صرف یو آر ایلز کی فہرست). ایک قدرتی زبان کا سوال کریں → ارادہ کو سمجھیں + محدودیاں → علم کا استعمال کریں → جواب واپس کریں (نہیں صرف یو آر ایلز کی فہرست). اختلافات میں ہیں آپ پر اعتماد کرتے ہیں اور یہ علم ہے.یہ ہے جہاں تقسیم کے درمیان ہے and سے آتا ہے what knowledge how structured KBQA DeepQA ایک تلاش کے انجن میں دو دماغ: KBQA vs DeepQA زیادہ سے زیادہ جدید تلاش Q&A سسٹمز چلتے ہیں ان میں سے ایک parallel: دونوں 2.1 KBQA - علم گراف کے بارے میں سوالات کا جواب آپ کی طرح KBQA کے بارے میں سوچیں . in‑house database nerd Data lives as : e.g. or . triples (head_entity, relation, tail_value) (Paris, capital_of, France) (iPhone 15, release_date, 2023-09-22) The graph is : entities, types, attributes, relations. curated, structured, and schema‑driven A KBQA system: Parses the question into a – which entities, which relations? logical form Translates that into (triple lookups, path queries). graph queries Runs them on the knowledge graph (via indices or a graph DB). Post‑processes and verbalizes the result. کے لئے کامل ہے : hard factual questions یودین 131 کا نصف زندگی کیا ہے؟ فلم ڈون (2021) کو کس نے ڈرائیونگ کیا؟ “How many employees does Company X have?” اگر حقائق گراف میں ہیں اور آپ کے سمیٹک پلسر خراب نہیں ہے تو، یہ تیزی سے اور درست ہے. 2.2 DeepQA - تلاش + مشین پڑھنے کی سمجھ DeepQa یہ ہے غیر منظم اعداد و شمار پر ترقی کرتا ہے: chaotic genius It works over . web pages, docs, PDFs, UGC, forums, and FAQs Pipeline (in a very simplified view): Use a search index to top‑N passages/pages. retrieve Feed them (plus the question) into a model. Machine Reading Comprehension (MRC) The model either a span (short answer) or a natural sentence/paragraph. extracts generates Score and calibrate confidence, then ship the best answer to the user. تاریخی طور پر، یہ آئی بی ایم وٹسن کی طرح نظر آیا: ہاتھ سے ڈیزائن شدہ خصوصیات اور ٹھنڈا پائپ لائنوں کی دہائیوں. بہت سے دستی خصوصیات انجینئرنگ کے ساتھ، گہری ماڈلوں کی طرف سے تبدیل کیا گیا ہے. DrQA → BERT‑style readers → generative FiD‑style models DeepQA یہ ہے جو آپ پر اعتماد کرتے ہیں جب: جواب پروز میں دفن کیا جاتا ہے (“اس سال میرے سگے کے واکسن کی منصوبہ بندی کو کیوں تبدیل کیا گیا ہے”). جواب میں خیالات، arguments، pros / cons شامل ہیں (“کیا متضاد بھوک محفوظ ہے؟”). The knowledge graph simply doesn’t encode the nuance you need. مصنوعات میں جادو ایک یا دوسرے کو منتخب کرنے میں نہیں ہے، لیکن . blending them سسٹم کی سطح کی آرکیٹیکل: آف لائن vs آن لائن دماغ ایک معمولی تلاش QA سٹاک میں تقسیم کیا جاتا ہے اور components. offline online Offline: علم کی تعمیر اور سمجھنے ویب صفحات، دستاویزات، UGC، PGC. معیار اور حکام کا تجزیہ - سپیم، SEO سوکر، کم اعتماد کے ذریعہ ڈیمونگ. FAQ / QA جوڑے میننگ - فورموں، مدد سینٹرز، وغیرہ سے سوالات اور جوابات جوڑوں کو نکالنا Knowledge graph construction - entity extraction، linking، relationship extraction، ontology maintenance۔ MRC اور جگرز، QA جوڑوں، اور کام کے مخصوص مقاصد پر پیشہ ورانہ ماڈلنگ. یہ وہ جگہ ہے جہاں آپ GPU گھنٹے سوئچ کرتے ہیں اور بڑے بیٹری کام کرتے ہیں. latency کوئی فرق نہیں ہے؛ پوزیشن اور مضبوطی کرتے ہیں. آن لائن: 100ms میں جواب جب ایک سوال نظام پر پہنچتا ہے: Query understanding: classification (is this QA‐intent?), domain detection, entity detection (یہ کیا QA‐intent ہے؟) : Multi‑channel retrieval KG candidate entities/relations. Web passages for DeepQA. High‑quality QA pairs (FAQs/community answers). : Per‑channel answering KBQA query execution and reasoning. Short‑ or long‑answer MRC. : Fusion & decision Compare candidates: score by relevance, trust, freshness, and presentation quality. Decide: graph card? snippet? long answer? multiple options? اس fusion layer اصل میں ایک ہے صرف دستاویزات نہیں meta‑ranker over answers KBQA: کس طرح Knowledge-Graph Q&A واقعی کام کرتا ہے ہم ساختہ جانب پر زوم کریں. 4.1 ڈیٹا اپ ڈیٹ پائپ لائنز Real‐world knowledge graphs are never static. اپ ڈیٹس عام طور پر چلتے ہیں : three modes Automatic updates Web crawlers, APIs, database feeds. Good for high‑volume, low‑risk attributes (e.g., stock prices, product availability). Semi‑automatic updates Models extract candidate facts, humans . review/correct/approve Used for sensitive or ambiguous facts (health, legal, financial). Manual curation Domain experts edit entities and relations by hand. Critical for niche domains (e.g., TCM herbs, specific legal regulations). ایک پیداوار KG عام طور پر ان تینوں کو ملتا ہے. 4.2 دو ریٹائرل سٹائلز: ٹریپلز vs Graph DB آپ کو دو dominant ماڈل دیکھیں گے. تیسرے انڈیکس تریلیوں کو لوٹنے والے انڈیکس میں اسٹوریج کریں جو انٹرویو، رشتہ، کبھی کبھی قدر کے طور پر اہم ہیں. Great for : simple, local queries single hop (“capital of X”) attribute lookup (“height of Mount Everest”). تیزی سے، سادہ، آسان ڈیٹا بیس Graph گراف کو ایک مناسب گراف DB (Neo4j، JanusGraph، یا in-house) میں لوڈ کریں. کچھ جیسے Cypher / Gremlin / SPARQL-ish زبانوں کے ساتھ پوچھیں. Needed for and graph analytics: multi‑hop reasoning “Which movies were directed by someone who also acted in them?” “Find companies within 2 hops of this investor via board memberships.” یہ نظام اکثر ایک اس کے بعد، صرف جب ضروری ہو تو گراف کے پوزیشنز کو زیادہ گہری طور پر بڑھاتا ہے. cheap triple lookup first 4.3 Semantic Parsing پائپ لائن Semantic Parsing وہ KBQA ٹکڑا ہے جو سب سے زیادہ کمپیوٹر کی تعمیر کی طرح محسوس کرتا ہے. Domain classification Route “Write a seven‑character quatrain” to a handler. Chinese poetry Route “Who is the mayor of Paris?” to a handler. single‑entity Route “Which movies did Nolan direct after 2010?” to a handler. multi‑entity/constraint Syntactic/dependency parsing Build a parse tree to figure out subjects, predicates, objects, modifiers, and constraints. Logical form construction Convert into something like a lambda‑calculus / SQL / SPARQL‑like intermediate form. E.g. Q: Which cities in Germany have population > 1 million? → Entity type: City → Filter: located_in == Germany AND population > 1_000_000 Graph querying & composition Execute logical form against the graph. Recursively stitch partial results (multi‑step joins). Rank, dedupe, and verbalize. اس اصول کے لئے ایک بہت بڑا نقطہ نظر ہے: The downside is obvious: writing and maintaining rules for messy real‑world language is painful. when it applies, it’s insanely accurate and interpretable. Neural KBQA: Deep Learning in the Loop (لوگ میں گہری سیکھنے) جدید نظام صرف دستاویزات پر بھروسہ نہیں کرتے۔ انہوں نے مزید کہا کہ to: deep models Detect entities even with typos/aliases/code‑mixed text. Map natural‑language relation phrases (“who founded”, “created by”, “designed”) to schema relations. Score candidate logical forms or graph paths by instead of exact string match. semantic similarity نتیجہ ایک ہائبرڈ ہے: واضح منطقی عمل + غیر اخلاقی ماڈل کے لئے فاسٹ نمونے کے موازنہ. 5۔ DeepQA: Search + Machine Reading Comprehension in the Wild غیر معمولی طور پر، چیزیں فوری طور پر آہستہ آہستہ ہو جاتے ہیں. IBM Watson سے DrQA اور اس کے علاوہ Early DeepQA Stacks (اچھا، وٹسن) تھا: separate modules for question analysis, passage retrieval, candidate generation, feature extraction, scoring, reranking… tons of feature engineering and fragile dependencies. جدید "Open‐domain QA over the web" کا نصاب کمزور ہے: Use a search index to fetch top‑N passages. Encode question + passage with a deep model (BERT‑like or better). Predict answer spans or generate text (MRC). Aggregate over documents. DrQA was a landmark design: ، SQuAD جیسے ڈیٹا سیٹ پر تربیت دی گئی ہے.یہ ماڈل آج بھی بہت سے پیداوار سٹاک کی بنیاد پر ہے. retriever + reader 5.2 Short‑Answer MRC: Extractive Readers مختصر جواب MRC کا مطلب ہے: ایک سوال + کئی دستاویزات کو دیا گیا ہے تو، سوال کا جواب دینے کے لئے ایک منفرد لمبائی نکالیں، اور حمایت کنکٹ فراہم کریں. ایک سوال + کئی دستاویزات کو دیا گیا ہے تو، سوال کا جواب دینے کے لئے ایک منفرد لمبائی نکالیں، اور حمایت کنکٹ فراہم کریں. سوچو، "فرنسی کا دارالحکومت کیا ہے؟" یا "ای پی وی 4 ایڈریس میں کتنے بٹ ہیں؟" ایک معمولی آرکیٹیکل: Encode each of the top‑N passages plus the question. For each passage, predict: (answerability) Is there an answer here? for the span. Start/end token positions Then pick the best span across documents (and maybe show top‑k). چیلنج 1: ہلکے تلاش کے نتائج Top‐N تلاش ہٹ شامل ہیں: غیر معمولی مواد، دوگنا یا تنازعات کے جوابات کلک کریں ایک صاف ٹکڑا ہے کے : joint training ایک جواب کی موجودگی کے درجہ بندی فی پاسپورٹ، اور ایک سپن نکالنے کے سر، لہذا، ماڈل سیکھتا ہے کہ "اس میں کوئی جواب نہیں ہے" کہنے کے لئے اور برا حصوں کو روکنے کے بجائے ہر دستاویز سے ایک لمبائی کی حوصلہ افزائی کرنے کے لئے مجبور کیا جاتا ہے. ہر ایک کو انفرادی طور پر علاج کرنے کے بجائے. compare evidence across pages چیلنج 2: Commonsense‐dumb spans خالص عصبی نکالنے والے کبھی کبھی "جائز متن جو واضح طور پر غلط ہے" پیدا کرتے ہیں: boundary off by a few tokens, غلط قسم (“ہاں” ایک تاریخ کے بجائے)، یا بے معنی الفاظ ثابت کرنے کا طریقہ یہ ہے کہ : inject external knowledge ویکیپیڈیا / KG سے منسلک انٹرویو کا استعمال کرتے ہوئے حصوں میں انٹرویو کا نشانہ بنائیں. ماڈل کو "یہ ایک تاریخ / شخص / مقام / شمسی پیمائش کی طرح لگتا ہے" کے لئے خصوصی داخلات دیں. تربیت کے دوران، صحیح قسم کے ساتھ رینجز پر اضافی توجہ دینے کے لئے ماڈل کو پھیلاؤ. یہ دونوں درستگی اور "صائب عقل" کو بہتر بناتا ہے. چیلنج 3: Robustness & R-Drop Dropout درست کرنے کے لئے بہت اچھا ہے، مستحکم outputs کے لئے خوفناک ہے: چھوٹی چھوٹی تبدیلیوں کی توقع کی مدت کو تبدیل کر سکتے ہیں. پروڈکٹ اسٹاک سے ایک صاف ٹریک: . R‑Drop Apply dropout to the same input through the model. twice Force the two predicted distributions to be similar via . symmetric KL‑divergence Add that term as a regularizer during training. یہ نمونہ آگے بڑھتا ہے under stochastic noise, which is crucial when users reload the same query and expect the same answer. Combined with semantically equivalent queries (different phrasings pointing to the same passage) پر، یہ قابل قدر طور پر مضبوطی کو بڑھاتا ہے. stable predictions data augmentation چیلنج 4: جواب کی معیاری اور multi‐span جوابات سچائی SQUAD سے زیادہ ہے: Different docs phrase the same fact differently: “3–5 years”, “three to five years”, “around five years depending on…”. زراعت کے طریقوں اس کے ساتھ جدوجہد کرتے ہیں. ایک عام اپ ڈیٹ ہے کہ منتقل کرنے کے لئے , e.g., Fusion‑in‑Decoder (FiD): generative readers Encode each retrieved document separately. Concatenate encodings into the decoder, which (“3–5 years” or “Xi Shi and Wang Zhaojun”). generates a normalized answer Optionally highlight supporting evidence. حقیقی نظام سے دو اضافی تفصیلات: کلک لوڈز کا استعمال کرتے ہوئے بڑے پیمانے پر ضعیف نگرانی کے اعداد و شمار (کوریج → کلک کیا DOC → پائیدو جوابات) کو مجموعہ کرنے کے لئے. Train a dedicated on top of generated answers, because raw language‑model scores (perplexity) are terrible as calibrated confidence. confidence model 5.3 طویل جواب MRC: خلاصے، نہ صرف پھیلاؤ مختصر جواب بہت اچھا ہے، یہاں تک کہ سوال یہ ہے: "R-Drop واقعی ماڈل کی مضبوطی کو کیسے بہتر بناتا ہے؟" "KBQA اور DeepQA کی توسیع اور پوزیشن کے لحاظ سے موازنہ کریں." آپ نہیں چاہتے ہیں “Because it reduces KL‐divergence.” آپ چاہتے ہیں . a paragraph‑level explanation لہذا طویل جواب MRC کے طور پر مقرر کیا جاتا ہے: سوال + ڈک کے ساتھ، منتخب کریں یا ایک یا زیادہ طویل حصوں پیدا کریں جو مجموعی طور پر سوال کا جواب دیتے ہیں، ضروری پس منظر سمیت. دی گئی سوال + DOCS، منتخب کریں یا پیدا کریں that collectively answer the question, including necessary background. one or more longer passages دو طریقے عملی طور پر دکھایا جاتا ہے. 5.3.1 compositional (مختصر) طویل جوابات یہاں نظام ہے: ایک دستاویز کو جملوں / حصوں میں تقسیم کریں. BERT کی طرح کے ماڈل کا استعمال کرتے ہوئے ہر سیکنڈ کو "جیسے جواب کا حصہ" کے طور پر حاصل کرنے کے لئے یا نہیں. ایک مجموعی خلاصہ بنانے کے لئے سیکشنز کا ایک سیٹ منتخب کرتا ہے.Picks a set of segments to form a composite summary. Two clever tricks: HTML‑aware inputs Certain tags ( , , , etc.) correlate with important content. Encode those as special tokens in the input sequence so the model can exploit page structure. Structure‑aware pretraining Task 1: – randomly replace the question with an irrelevant one and predict if it’s coherent. Question Selection (QS) Task 2: – randomly drop/shuffle sentences or structural tokens and train the model to detect that. Node Selection (NS) Both push the model to rather than just local token patterns. understand long‑range document structure یہ "دو دنیاوں کا سب سے بہتر" فراہم کرتا ہے: نکالنے والی (یہاں تک کہ آپ درست ذرائع کو ظاہر کرسکتے ہیں) لیکن کئی غیر متفق بٹس کو ایک دوسرے کے ساتھ جمع کرنے کی صلاحیت رکھتا ہے. 5.3.2 Opinion & Judgment QA: جواب + دلیل کبھی کبھی صارف نے ایک : judgment question "کیا یہ ٹھیک ہے کہ ایک کمرے میں ایک خرگوش رکھیں؟" "کیا مجھے اپنے فون پر خود کار طریقے سے اپ ڈیٹس کو غیر فعال کرنا چاہئے؟" A pure span extractor can’t safely output just “yes” or “no” from arbitrary web text. Instead, some production systems do: (long answer): Evidence extraction Same as compositional QA: select sentences that collectively respond to the question. (short answer): Stance/classification Feed into a classifier. question + title + top evidence sentence Predict label: or . support / oppose / mixed / irrelevant yes / no / depends آخر میں UX: ایک مختصر فیصلہ ("ایک چھوٹا سا کمرے میں خرگوش رکھنے کی سفارش نہیں کی جاتی ہے"). the evidence passages users can read and judge for themselves. Plus, یہ "آپ کا کام دکھائیں" خصوصیات اہم ہے جب جوابات صحت، سلامتی، یا پیسے پر اثر انداز کرسکتے ہیں. کوڈ میں ایک کم از کم QA Stack (Toy مثال) یہ تھوڑا سا مختصر بنانے کے لئے، یہاں ایک تلاش + MRC پائٹ لائن کا ایک مقصد کے طور پر سادہ پائٹون کی طرح ایک اسکین ہے. مصنوعات کے لئے تیار ہے، لیکن یہ دکھاتا ہے کہ کس طرح ٹکڑوں کی فہرست: not from typing import List from my_search_engine import search_passages # your BM25 / dense retriever from my_models import ShortAnswerReader, LongAnswerReader, KgClient short_reader = ShortAnswerReader.load("short-answer-mrc") long_reader = LongAnswerReader.load("long-answer-mrc") kg = KgClient("bolt://kg-server:7687") def answer_question(query: str) -> dict: # 1. Try KBQA first for clean factoid questions kg_candidates = kg.query(query) # internally uses semantic parsing + graph queries if kg_candidates and kg_candidates[0].confidence > 0.8: return { "channel": "kbqa", "short_answer": kg_candidates[0].text, "evidence": kg_candidates[0].path, } # 2. Fallback to DeepQA over the web index passages = search_passages(query, top_k=12) # 3. Short answer try short = short_reader.predict(query=query, passages=passages) if short.confidence > 0.75 and len(short.text) < 64: return { "channel": "deepqa_short", "short_answer": short.text, "evidence": short.supporting_passages, } # 4. Otherwise go for a long, explanatory answer long = long_reader.predict(query=query, passages=passages) return { "channel": "deepqa_long", "short_answer": long.summary[:120] + "...", "long_answer": long.summary, "evidence": long.selected_passages, } Real systems add dozens of extra components (logging, safety filters, multilingual handling, feedback loops), but the control flow is surprisingly similar. ڈیزائن نوٹس اگر آپ حقیقی کے لئے یہ تعمیر کر رہے ہیں اگر آپ 2025 + میں ایک تلاش QA سسٹم ڈیزائن کر رہے ہیں تو، پیداوار پٹھوں سے کچھ عملی درس یاد رکھنے کے قابل ہیں: سب سے پہلے آن لائن اعداد و شمار کے معیار میں سرمایہ کاری کریں.ایک متوسط ماڈل اور صاف اعداد و شمار برتن پر ایک فینسی ماڈل کو شکست دیتی ہے. QA کو پہلے دن سے ایک سے زیادہ چینل کے طور پر دیکھیں. "ایک ہی KG" یا "ایک ہی MRC" میں خود کو سختی سے نہ لگائیں. یقینی طور پر اعتماد کی تصدیق کریں. خام ماڈل لوکٹس یا LM پریشانی پر اعتماد نہ کریں. منفرد تصدیق / ردی کے سر کو ٹرین کریں. پوزیشن لوڈ، کلک لوڈ، اور ناپسندیدہ سگنل ("ان لوگوں نے بھی پوچھا", اصلاحات) آپ کے بہترین نگرانی کے ذریعہ ہیں. طویل جوابات اور خیالات کے لئے منصوبہ بندی. مختصر جوابات ڈیمو ہیں؛ طویل، رنگارنگ جوابات اکثر ڈومینز میں حقیقت ہیں. صارفین کو دیکھیں کہ آپ نے کیوں کچھ جواب دیا، خاص طور پر صحت، مالیات اور قانونی تلاش میں. LLMs with RAG are amazing, but in many settings, you still want: Keep an eye on LLMs, but don’t throw away retrieval. KG for hard constraints, business rules, and compliance. MRC and logs to ground generative answers in actual content. 8۔ فکر بند کرنا جدید تلاش Q&A یہ ہے کہ جب ہم "تفتیش کے نتائج" کو مصنوعات کے طور پر علاج کرنے سے روکیں اور علاج شروع کریں تو کیا ہوتا ہے. as the product. the answer Knowledge graphs give us اور graph‐level reasoning.DeepQA + MRC ہمیں فراہم کرتا ہے دلچسپ انجینئرنگ کاموں میں ہے: ریکارڈنگ، رینجنگ، فوریشن، مضبوطی، اور UX. crisp, structured facts coverage and nuance اگر آپ کسی بھی چیز کی تعمیر کر رہے ہیں جو ایک سمارٹ تلاش باکس، مجازی مددگار، یا ڈومین Q&A آلے کی طرح لگتی ہے، تو ان تعمیروں کو سمجھنے کے لئے "ڈیمو میں حیرت انگیز نظر آتا ہے" اور "کیا واقعی پیداوار میں زندہ رہتا ہے" کے درمیان فرق ہے. اور اگلی بار جب آپ کے براؤزر نے ایک خط میں ایک عجیب خاص سوال پوچھا تو، آپ کو معلوم ہوگا کہ اس چھوٹی سی جواب کے باکس کے پیچھے کھیلنے والی کل KBQA + DeepQA آرکسٹرا ہے.