ডিকোডিং পাৰফমেন্স
মেটাটেগ নিৰ্ণায়ক
শিক্ষা প্ৰযুক্তিৰ ক্ষেত্ৰত, এটা গুৰুত্বপূৰ্ণ কাম হৈছে সকলো ব্যৱহাৰকাৰীৰ বাবে সমল সুলভ আৰু আৱিষ্কাৰযোগ্য কৰা। সেইটো কৰিবলৈ, কোম্পানীবোৰে প্ৰাসঙ্গিক টেগৰ সৈতে সমল টেগ কৰিবলৈ মানৱ ভাষ্যকাৰ বা বিষয় বস্তু বিশেষজ্ঞ নিয়োগ কৰে যিবোৰ সামগ্ৰীৰ সামগ্ৰিক ব্যৱহাৰকাৰী অভিজ্ঞতাৰ সৈতে সংৰেখিত।
Embibeৰ জ্ঞান লেখত 74,000+ সংযোগস্থল আছে, প্ৰতিটোৱে জ্ঞানৰ এক পৃথক একক উপস্থাপন কৰে। ইয়াৰ উপৰিও, 1,89,380 টা আন্তঃসংযোগ আৰু 2,15,062 টা দক্ষতা আছে। যিহেতু শ শ পাঠ্যক্ৰমত হাজাৰ হাজাৰ পৰীক্ষাত সমল সম্প্ৰসাৰিত হয়, টেগিং প্ৰক্ৰিয়াটো অধিক ব্যয়বহুল আৰু সময় সাপেক্ষ হৈ পৰে। তদুপৰি, ডাটাছেটৰ বিভিন্ন উপসংহতিত কাম কৰা একাধিক মানৱ এনোটেটৰ থকাৰ বাবে তথ্যসংহতি এটাৰ হস্তকৃত টেগিং হ’লে সদায়ে মানুহৰ পক্ষপাতিত্ব থাকে।
মেটাটেগচ ৰেংকাৰে মানৱ টেগিংৰ সৈতে সম্পৰ্কিত সমস্যাবোৰ লুপ অৰ্ধ-স্বয়ংক্ৰিয় টেগিং প্ৰক্ৰিয়াত হস্তকৃত প্ৰক্ৰিয়াটো মানুহৰ সৈতে সলনি কৰি হ্ৰাস কৰাৰ লক্ষ্য ৰাখে। মেটাটেগ ৰেংকাৰ হৈছে বিষয় বস্তু বিশেষজ্ঞসকলৰ বাবে নিৰ্মিত এক সঁজুলি, যি তেওঁলোকক Embibe মঞ্চৰ দ্বাৰা সমৰ্থিত সকলো লক্ষ্যৰ বাবে যিকোনো প্ৰশ্নৰ বিষয়, একক, অধ্যায়, বিষয় আৰু ধাৰণা টেগ কৰাৰ বাবে পৰামৰ্শ প্ৰদান কৰে। ইয়াৰ উপৰিও, ই প্ৰশ্নটোৰ অসুবিধাৰ স্তৰ, আদৰ্শ সময় আৰু ফুলৰ স্তৰৰ বাবে পৰামৰ্শ প্ৰদান কৰে।
দুটা উদাহৰণৰ সৈতে ই কেনেদৰে কাম কৰে তাক বৰ্ণনা কৰোঁ আহা।
মেটাটেগ ৰেংকাৰ চৰম বহুশ্ৰেণী শ্ৰেণীবিভাজন সমস্যাৰ (XMC) ওপৰত আধাৰিত[1][2]। Embibeৰ বাবে, যিকোনো প্ৰশ্নৰ বাবে 74,000+ শ্ৰেণী বা ধাৰণা আছে। শ্ৰেণীবোৰ পাৰস্পৰিকভাৱে একচেটিয়া নহয়, অৰ্থাৎ ধাৰণাবোৰ অৰ্থগতভাৱে প্ৰকৃতিত অতিক্ৰম কৰা। XMC ৰ বাবে আন এটা প্ৰত্যাহ্বান হ’ল তথ্যসংহতিৰ বিতৰণ। সকলো শ্ৰেণী বা ধাৰণাত পৰ্যাপ্ত সংখ্যক তথ্য বিন্দু নাথাকে, অৰ্থাৎ, কিছুমান শ্ৰেণীত অত্যাধিক তথ্য বিন্দু থাকে আনহাতে আনবোৰৰ খুব কম থাকে যাৰ ফলত আৰ্হিৰ ভৱিষ্যতবাণীৰ দ্বাৰা কেইটামান তথ্য বিন্দু উপেক্ষা কৰা শ্ৰেণীলৈ লৈ যাব পাৰে। মেটাটেগচ ৰেংকাৰে প্ৰাকৃতিক ভাষা বুজাৰ বাবে অত্যাধুনিক গভীৰ শিক্ষণ কৌশলৰ সুবিধা লয়। ই স্নায়ৱিক আৰ্হিবোৰক প্ৰশিক্ষণ দিয়াত জ্ঞান লেখো লাভ কৰে [3] আৰ্হিৰ দ্বাৰা ব্যাখ্যাযোগ্য আৰু ব্যাখ্যাযোগ্য ভৱিষ্যতবাণীয়ে শিক্ষাবিদসকলক উৎপাদন পৰিৱেশত এই সামৰ্থ্য প্ৰয়োগ কৰাত সহায় কৰে [4][5]। এনে সমৃদ্ধ সমলবোৰে স্বয়ংক্ৰিয় পৰীক্ষা সৃষ্টি [5][7] আৰু শিকাৰ ফলাফল প্ৰদান কৰাৰ সামৰ্থ্য কঢ়িয়ায় [6]।
মেটা টেগ উৎপাদকে কিতাপ, প্ৰশ্ন আৰু শিকাৰ ভিডিঅ’ৰ বাবে এআইৰ সৈতে হাজাৰ হাজাৰ ঘণ্টাৰ হস্তকৃত টেগ উৎপাদন প্ৰক্ৰিয়া সংৰক্ষণ কৰিছিল। এইটোৱে বিভিন্ন শ্ৰেণী আৰু বিষয়ৰ বাবে বিষয়বস্তুৰ দক্ষতাৰ প্ৰয়োজনীয়তাও হ্ৰাস কৰিছিল। Embibeয়ে ভিডিঅ’ আৰু 3D সমল সৃষ্টিৰ বাবে বক্তৃতা মেটাটেগ বিকশিত কৰি আছে।
প্ৰসঙ্গ:
[1] Chang, Wei-Cheng, Hsiang-Fu Yu, Kai Zhong, Yiming Yang, and Inderjit S. Dhillon. “Taming pretrained transformers for extreme multi-label text classification.” In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 3163-3171. 2020.
[2] Dahiya, Kunal, Deepak Saini, Anshul Mittal, Ankush Shaw, Kushal Dave, Akshay Soni, Himanshu Jain, Sumeet Agarwal, and Manik Varma. “DeepXML: A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents.” In Proceedings of the 14th ACM International Conference on Web Search and Data Mining, pp. 31-39. 2021.[arXiv]
[3] Faldu, Keyur, Amit Sheth, Prashant Kikani, and Hemang Akabari. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).
[4] Gaur, Manas, Keyur Faldu, and Amit Sheth. “Semantics of the Black-Box: Can knowledge graphs help make deep learning systems more interpretable and explainable?.” IEEE Internet Computing 25, no. 1 (2021): 51-59.
[5] Dhavala, Soma, Chirag Bhatia, Joy Bose, Keyur Faldu, and Aditi Avasthi. “Auto Generation of Diagnostic Assessments and Their Quality Evaluation.” International Educational Data Mining Society (2020).
[6] Faldu, Keyur, Aditi Avasthi, and Achint Thomas. “Adaptive learning machine for score improvement and parts thereof.” U.S. Patent 10,854,099, issued December 1, 2020.
[7] Desai, Nishit, Keyur Faldu, Achint Thomas, and Aditi Avasthi. “System and method for generating an assessment paper and measuring the quality thereof.” U.S. Patent Application 16/684,434, filed October 1, 2020.
← AI হোমলৈ ঘূৰি যোৱা
