في عالم إدارة المشاريع، تُعتبر عملية كشف تكرار المشاريع أمرًا حيويًا لضمان الجودة وتجنب الاستثمار في مقترحات متكررة. وقد عانت الطرق التقليدية من قيود كثيرة، حيث تعتمد غالبًا على مطابقة السطحيات أو نماذج الذكاء الاصطناعي الكبيرة (Large Language Models) التي تعكس طلبات مبسطة، مما يتسبب في تجاهل الاحتياجات الفعلية في اختيار مجموعات المعلومات.

لكن الآن، مع ظهور إطار PD$^3$، تم تجديد هذه الطريقة بشكل يمكننا من أداء أفضل بكثير. يعتمد PD$^3$ على إعادة صياغة المهمة لتصبح مشكلة اختيار مجموعة مرجعية متعددة، مما يتطلب معلومات واسعة عن المرشحين ومقارنة عادلة تحت قيود السياق.

مزيج من نقاشات متعددة الوكلاء مع الجدولة العالمية يتيح لـ PD$^3$ استرجاع مجموعات المشاريع ذات الصلة بكفاءة. وأن تكون هذه العملية غير مُعتمدة على الحظ، فباستخدام جدولة متوازنة، يضمن PD$^3$ مقارنة عادلة بين الخيارات.

قامت الاختبارات التي أجريت على أكثر من 800 مشروع طاقة حقيقي بإظهار تفوق PD$^3$ على الطرق التقليدية بنسبة 4.05% في اختيار المراجع ذات الصلة و9.77% في إنتاج درجات التكرار.

ليس هذا فحسب، بل تم نشر منصة Review Dingdang التي ساعدت في توفير 13.44 مليون دولار عبر 442 مشروعًا جديدًا. هذا الابتكار الثوري يعد بتغيير طريقة إدارة المشاريع وتحسين استثمار الموارد بشكل كبير.