Releaf
छोटे कार्य। एक हल्का पदचिह्न.

एक फ़ोन, एक पेड़, और चीज़ों के जाने की पाँच जगहें।
इस साइट के लिए Blender में बनाया गया एक चित्रण। यह विचार को समझाता है; यह परियोजना का डेटा नहीं है।
परियोजनाओं की मूल तस्वीरें, आरेख और वीडियो उनकी मूल भाषा में दिखाए गए हैं।
जब अगला कदम ठोस हो, तो टिकाऊ जीवन अपनाना आसान लगता है। मैंने Releaf को बनाने में मदद की, जो उन चीज़ों पर आधारित है जो लोगों के पास पहले से हैं, उन आदतों पर जिन्हें वे बदलना चाहते हैं, और एक ऐसे समुदाय पर जिसके साथ वे इन प्रयोगों को साझा कर सकें। दोस्ताना सतह के नीचे, यह ऐप मशीन लर्निंग को वहाँ लगाने का अभ्यास है जहाँ वह उपयोगी हो, और उसे इस बारे में ईमानदार रखने का कि वह क्या जानती है।
जानकारी से लेकर दैनिक आदत तक
Releaf रोज़मर्रा की सामग्रियों के पुनः उपयोग के तरीक़े, किसी व्यक्ति के दिन में पैदा हुए कार्बन का अनुमान, और जो तरीक़ा कारगर रहा उसे साझा करने के लिए एक समुदाय, इन सबको एक साथ लाता है। उद्देश्य पर्यावरण से जुड़ी जानकारी को दिनचर्या में उपयोगी जगह देना है: आज़माने के लिए एक विचार, दर्ज करने के लिए एक काम, या किसी और को दिखाने के लिए कुछ। प्रगति को ग्यारह स्तरों में बढ़ने वाले एक पेड़ के रूप में दिखाया जाता है, और पुरस्कार पानी की बूँदों में गिने जाते हैं।
फ़ोन पर ही चलने वाला क्लासिफ़ायर
ऐप का मौजूदा कोड Core ML में बदले गए EVA-02 Large विज़न मॉडल से कचरे को पहचानता है। एक तस्वीर एक साथ तीन आउटपुट हेड से गुज़रती है: 30 वस्तु-श्रेणियाँ, 15 सामग्रियाँ और 4 डिब्बे। डिवाइस पर चलने का अर्थ है कि उपयोगी होने के लिए फ़ोटो को फ़ोन से बाहर जाने की ज़रूरत नहीं है, और तय कॉन्फ़िडेंस से कम वाले प्रेडिक्शन को निश्चित बताने के बजाय चिह्नित किया जाता है। अगर डिवाइस पर मॉडल उपलब्ध न हो, तो ऐप सर्वर पर उसी क्लासिफ़ायर का सहारा ले सकता है।
बड़े मॉडल की जगह एक छोटा ग्राफ़
किसी चीज़ का नाम जान लेना अभी सलाह नहीं है। Releaf में 43 नोड्स (30 वस्तुएँ, 8 सामग्रियाँ और 5 गंतव्य) का एक नॉलेज ग्राफ़ है, जो 118 एज से जुड़ा है और जिसके एम्बेडिंग एक ग्राफ़ अटेंशन नेटवर्क ने सीखे हैं। निपटान का मार्गदर्शन ग्राफ़ के एज के साथ-साथ किया गया एक लुकअप है; “मिलती-जुलती वस्तुएँ” एम्बेडिंग के बीच की कोसाइन समानता है। खोज को इस ग्राफ़ पर ले आने से उस फ़ीचर के लिए ऐप की किसी बाहरी लैंग्वेज-मॉडल सेवा पर निर्भरता ख़त्म हो गई।
कार्बन ट्रैकिंग, जो अनुमान को गणना से अलग रखती है
कार्बन ट्रैकर वैकल्पिक (opt-in) है। लोकेशन और मोशन रीडिंग का सारांश फ़ोन पर ही 15-सेकंड की विंडो में बनाया जाता है, और केवल वे सारांश अपलोड होते हैं। एक कैलिब्रेटेड क्लासिफ़ायर यात्रा के साधन का अनुमान लगाता है और कॉन्फ़िडेंस कम होने पर “अज्ञात” बताता है। फिर एक अलग, ऑडिट-योग्य चरण दूरी को प्रकाशित उत्सर्जन कारकों से गुणा करता है। क्लासिफ़ायर को भौतिकी-आधारित मोबिलिटी सिम्युलेटर पर प्रशिक्षित किया गया था, इसलिए सिम्युलेशन में उसकी लगभग पूर्ण सटीकता असली फ़ोनों के बारे में कोई दावा नहीं है।
एक टीम के साथ निर्माण
Rematter Cooperation के सह-संस्थापक के रूप में मैंने SwiftUI ऐप, खातों, पुरस्कारों, उपलब्धियों और नोटिफ़िकेशन के लिए Django बैकएंड, और सहायक AI सेवाओं पर काम किया। हमने $2,000 की फ़ंडिंग जुटाई और 2025 की चाइना हाई स्कूल सोशल इनोवेशन प्रतियोगिता और इन्क्यूबेशन कैंप में शीर्ष दो टीमों में स्थान पाया। Releaf के 5,000 से अधिक डाउनलोड हुए।
एक फोटो से एक उपयोगी अगले चरण तक।
- 01
एक तस्वीर, तीन प्रश्न
EVA-02 Large क्लासिफ़ायर 448 × 448 की तस्वीर लेता है और एक साझा रिप्रेज़ेंटेशन से तीन प्रश्नों के उत्तर देता है: वस्तु क्या है, वह किस चीज़ से बनी है, और वह किस डिब्बे में जानी चाहिए। होल्ड-आउट तस्वीरों पर सटीकता, मूल्यांकन सेट के अनुसार, लगभग 90% से 94% तक रही, और खाद्य अपशिष्ट तथा काँच की बोतलें सबसे कमज़ोर श्रेणियाँ थीं। फ़ोन के लिए मॉडल को 16-बिट प्रिसिज़न पर Core ML में एक्सपोर्ट किया गया।
- 02
ग्राफ़ लुकअप से मार्गदर्शन
एक ग्राफ़ अटेंशन नेटवर्क (GATv2) 43 नोड्स में से हर एक के लिए 64-आयामी एम्बेडिंग सीखता है। ऐप ग्राफ़ को सादे डेटा के रूप में साथ रखता है, इसलिए किसी प्रेडिक्शन को मार्गदर्शन में बदलना बस पड़ोसी नोड्स का लुकअप और एक समानता-खोज है, और दोनों ऑफ़लाइन काम करते हैं। समानता स्कोर उम्मीदवारों को रैंक करते हैं; वे इस बात की कैलिब्रेटेड प्रायिकताएँ नहीं हैं कि पुनः उपयोग का कोई विचार कारगर होगा।
- 03
आंशिक विफलता के तहत उपयोगी
सहायक सेवाएँ काम को गेटवे, विज़न, रिट्रीवल, नॉलेज ग्राफ़ और रिस्पॉन्स चरण में बाँटती हैं। कोई सेवा उपलब्ध न होने पर ऑर्केस्ट्रेटर उत्तर को आंशिक चिह्नित करता है, और एक फ़ॉलबैक रास्ता एक सरल उत्तर उपलब्ध रखता है। अनुपलब्ध क्षमता को ढकने के बजाय उसकी सूचना दी जाती है।
ये विवरण ऐप के मौजूदा कोड और उसकी सहायक AI रिपॉज़िटरी का वर्णन करते हैं, जो स्टेजिंग के लिए तैयार होने की सूचना देती है। ये जारी किए गए ऐप के डाउनलोड आँकड़ों से अलग हैं, और यहाँ बताए गए हर फ़ीचर के रिलीज़ होने की पुष्टि नहीं है।
सहायक AI रिपॉज़िटरी देखेंईमानदार सीमाएँ।
- डाउनलोड, फ़ंडिंग और प्रतियोगिता के आँकड़े मेरे रिज़्यूमे से लिए गए हैं। ये उपयोग या रिटेंशन के आँकड़े नहीं हैं।
- कार्बन के आँकड़े दूरी और प्रकाशित उत्सर्जन कारकों पर आधारित अनुमान हैं। वे किसी व्यक्ति के वास्तविक फ़ुटप्रिंट का माप नहीं हैं।
- यात्रा-साधन क्लासिफ़ायर का मूल्यांकन केवल सिम्युलेटेड यात्राओं पर हुआ है। असली डिवाइसों पर उसकी सटीकता अभी ज्ञात नहीं है।

छोटे, असली कदमों की एक फ़ीड।
पिछले रिलीज़ की कम्युनिटी स्क्रीन: ऐप इस्तेमाल करने वाले लोगों के साझा किए पुनः उपयोग के विचार। यही स्क्रीनशॉट ऊपर द्वीप पर खड़े फ़ोन पर भी है।
ऐप का वास्तविक स्क्रीनशॉट। बाद के बिल्ड में टैब Create, Impact और Community के इर्द-गिर्द व्यवस्थित किए गए हैं।
यह कहाँ जुड़ता है।
CollegeAdvisorSwiftUI ऐप और Python सेवाओं की वही जोड़ी, और वही नियम: अनुमान लगाने के बजाय “अज्ञात” कहें।
दिशा की तलाशदोनों असली दुनिया पर भरोसा करने से पहले भौतिकी सिम्युलेटर पर प्रशिक्षण और परीक्षण करते हैं।
विज्ञान, स्पष्ट शब्दों मेंExploreAid किसी परियोजना को ऐसी चीज़ में बदलने की पहली कोशिश थी जिसे लोग इस्तेमाल कर सकें। Releaf वह है जो सचमुच लॉन्च हुआ।मेरे बायोडाटा में डाउनलोड और फंडिंग के आंकड़े बताए गए हैं। कार्बन अनुमान सूचनात्मक हैं; वे पर्यावरणीय प्रभाव का प्रत्यक्ष माप नहीं हैं।