ডিকোডিং পাৰফমেন্স
সন্দেহ সমাধান
অনুপ্ৰেৰণা
সমগ্ৰ দেশৰ হাজাৰ হাজাৰ শিক্ষাৰ্থীয়ে অধিক শিকিবলৈ, কঠোৰ অনুশীলন কৰিবলৈ আৰু নিজৰ বিকাশৰ বাবে নিজকে পৰীক্ষা কৰিবলৈ প্ৰতিদিনে Embibe ব্যৱহাৰ কৰে। আৰু এই যাত্ৰাত বহুতো প্ৰশ্ন বা দ্বিধাৰ সন্মুখীন হোৱাটো স্বাভাৱিক। সেয়েহে, শিক্ষাৰ্থীসকলৰ মাজত প্ৰশ্ন কৰাটো সদায়ে উৎসাহিত কৰাটো নিশ্চিত কৰিবলৈ আমাৰ ওচৰত সন্দেহ সমাধান নামৰ সুবিধাটো আছে।
নামটোৱেই কোৱাৰ দৰে এয়া হৈছে সেই মঞ্চ যিয়ে এজন ছাত্ৰৰ সন্দেহ সমাধান কৰাত সহায় কৰাৰ লক্ষ্য ৰাখে। এই সহায় নিৰ্দিষ্ট বিষয় বিশেষজ্ঞসকলে আগবঢ়াব পাৰে, সমান্তৰালভাৱে অহা সন্দেহৰ পৰিমাণ আৰু প্ৰসাৰে এই বিশেষজ্ঞসকলৰ বাবে প্ৰতিটো প্ৰশ্ন নিজেই উত্তৰ দিয়াত এক প্ৰত্যাহ্বানৰ সৃষ্টি কৰিব পাৰে। ইয়াৰ ফলত, দীঘলীয়া অপেক্ষাকাল দীঘলীয়া হয় আৰু উপভোক্তাসকলক এক বেয়া অভিজ্ঞতা প্ৰদান কৰে।
সুযোগ গ্ৰহণ কৰা
বেছিভাগ শিক্ষাগত বিষয়বস্তুত এনে তথ্য থাকে যি ছবি, সমীকৰণ, আৰু চিহ্নত লুকাই থাকে। ছবি আৰু পাঠৰ পৰা শব্দাৰ্থগত তথ্য এক্সট্ৰেক্চন কৰাটো এতিয়াও ক্ষেত্ৰ-নিৰ্ভৰ আৰু কঠিন কাৰ্য যাৰ বাবে বৃহৎ তথ্য গোট, ক্ষেত্ৰ বিশেষ জ্ঞান, আৰু প্ৰাকৃতিক ভাষা আৰু দৰ্শনৰ বাবে অত্যাধুনিক গভীৰ শিক্ষা পদ্ধতিৰ প্ৰয়োজন।
বেছিভাগ সন্দেহ-সমাধান সমলে একে ধৰণৰ প্ৰশ্ন প্ৰদান কৰিবলৈ বা প্ৰশ্নটোৰ চাৰিওফালে উপলব্ধ প্ৰসংগৰ ওপৰত আধাৰিত কৰি প্ৰশ্নৰ উত্তৰ দিবলৈ সক্ষম প্ৰণালী এটা নিৰ্মাণ কৰিবলৈ বিদ্যমান সমলৰ প্ৰসঙ্গ ব্যৱহাৰ কৰে। Embibeত আমাৰ প্ৰশ্ন বেংকত লাখ লাখ প্ৰশ্ন আছে। প্ৰশ্নপাঠৰ পৰা প্ৰাসঙ্গিক তথ্য প্ৰাপ্ত কৰিবলৈ, আৰু প্ৰশ্নটোত উপস্থিত নক্সা বা চিত্ৰবোৰ প্ৰাপ্ত কৰিবলৈ আমি আমাৰ একাডেমিক প্ৰসঙ্গ সূক্ষ্ম-অত্যাধুনিক আৰ্হি ব্যৱহাৰ কৰোঁ।
প্ৰশ্ন সমাধান সমলৰ সৈতে, কোনো মানৱ হস্তক্ষেপৰ প্ৰয়োজনৰ অবিহনে 93% প্ৰশ্ন স্বয়ংক্ৰিয়ভাৱে উত্তৰ দিব পৰা যায়।
প্ৰশ্ন সমাধান প্ৰণালী প্ৰস্তুত
চিত্ৰ এক্সট্ৰেক্চন :
সদ্যহতে সন্দেহটো সমাধান কৰাত সহায় কৰিবলৈ, প্ৰশ্নটোৰ চাৰিওফালে প্ৰদান কৰা সকলো বিৱৰণ প্ৰাপ্ত কৰাটো আমাৰ বাবে গুৰুত্বপূৰ্ণ। সেয়েহে, আমি এক নক্সা আহৰণ স্তৰ প্ৰৱৰ্তন কৰোঁ যাতে নিষ্কাশিত নক্সাবোৰ গাণনিক অৰ্থগত সাদৃশ্যত বিবেচনা কৰা হয়। অ’চিআৰ মডিউললৈ নিৱেশ এটাত নক্সাৰ উপস্থিতিয়ে ইয়াক বিভ্ৰান্ত কৰিব পাৰে, সেয়েহে আমি চিত্ৰ আৱদ্ধ বাকচটো আঁতৰাবলৈ ছবিখন প্ৰক্ৰিয়া কৰোঁ, যি ইয়াক অ’চিআৰ প্ৰক্ৰিয়াকৰণৰ বাবে সৰল কৰে। একাডেমিক-ক্ষেত্ৰৰ বাবে আমাৰ স্থানীয়ভাৱে নিৰ্মিত গঠন নিষ্কৰ্ষণে মডেলে একে ধৰণৰ শুদ্ধতা প্ৰাপ্ত কৰি বিলম্বতাত YOLOv5-ৰ দৰে জটিল আৰ্হি বোৰক যথেষ্ট পৰিমাণে অতিক্ৰম কৰে।
আলোকীয় আখৰ চিনাকি (OCR):
ছবি থকা চিত্ৰসমূহ এক্সট্ৰেক্চন কৰাৰ পিছত, আমি অ’ চি আৰ স্তৰ ব্যৱহাৰ কৰোঁ ছবিৰ ভিতৰত থকা পাঠ এক্সট্ৰেক্চন আৰু পৰিচয় কৰাবলৈ যি পিছৰ স্তৰত ব্যৱহাৰ কৰা হ’ব। অ’ চি আৰৰ কাৰ্য উন্নত কৰাৰ বাবে প্ৰাক-প্ৰক্ৰিয়াকৰণ পদক্ষেপ যেনে স্কিউ শুধৰণি, ছাঁ আতঁৰোৱা, বিভেদন উন্নত কৰা, আৰু অস্পষ্টতা নিৰ্ণয় ব্যৱহাৰ কৰা হয়।
ছবি এনকোডিং:
আমি অত্যাধুনিক কম্পিউটাৰ দৰ্শন আৰ্হি ব্যৱহাৰ কৰোঁ যেনে ৰেচনেট, আৰু এফিচিয়েণ্টনেট ছবিবোৰ ঘন ভেক্টৰলৈ এনকোডিং কৰিবলৈ যি ছবিত থকা শব্দাৰ্থগত তথ্য সংগ্ৰহ কৰে যাতে শব্দাৰ্থগতভাৱে সদৃশ ছবিবোৰ আন ছবিবোৰতকৈ ইটোৱে সিটোৰ অধিক ওচৰত থাকে।
পাঠ এনকোডিং:
আমি ঘন ভেক্টৰৰ উপস্থাপন শিকোঁ ট্ৰিপলেচ ক্ষতি আৰু পাৰস্পৰিক তথ্য সৰ্বাধিকীকৰণৰ দৰে পদ্ধতি ব্যৱহাৰ কৰি আৰ্হিটো আমাৰ শিক্ষাগত ভাষাগুচ্ছৰ ওপৰত প্ৰশিক্ষিত কৰি, য’ত প্ৰশ্নৰ পাঠ, উত্তৰ আৰু ইয়াৰ বিস্তৃত ব্যাখ্যা থাকে। আমি বি ই আৰ টি, আৰু টি5ৰ দৰে প্ৰাক-প্ৰশিক্ষিত ভাষা আৰ্হিৰ সুবিধা লওঁ। তাৰ পিছত আমি এই এনকোডিং আৰ্হি ব্যৱহাৰ কৰোঁ অ’ চি আৰ নিষ্কাষিত পাঠ ঘন ভেক্টৰলৈ পৰিৱৰ্তন কৰিবলৈ, যি আগলৈ ব্যৱহাৰ কৰ হয় শব্দাৰ্থগতভাৱে সদৃশ প্ৰশ্ন উদ্ধাৰৰ বাবে।
সদৃশ প্ৰশ্ন উদ্ধাৰ:
আমি এনকোডিং কৰা ছবি আৰু পাঠসমূহ আমাৰ প্ৰশ্ন ভঁৰালত থকা সকলো প্ৰশ্নৰ সৈতে তুলনা কৰোঁ আৰু শ্ৰেষ্ট k সদৃশ প্ৰশ্ন উদ্ধাৰ কৰোঁ। আমি লগতে এনে পদ্ধতিসমূহ ব্যৱহাৰ কৰোঁ এক ওজনগত সদৃশতা ল’বলৈ যদি পাঠ আৰু ছবি দুয়ো থাকে প্ৰশ্ন এটাত ছবিৰ গুৰুত্বৰ ভিত্তিত। বহু নিযুত লিপিবদ্ধৰ ওপৰত ঘন ভেক্টৰৰ ক’চাইন সদৃশতা কৰাটো ব্যয়বহুল। সেয়ে, আমি স্বাৰ্ডিং, বাকেটিং, আৰু ক্লাষ্টাৰিং পদ্ধতি ব্যৱহাৰ কৰোঁ আমাৰ প্ৰণালীটো নিম্ন-অন্তৰ্নিৰ্হিত আৰু কাৰ্যকৰী কৰিবলৈ।
বিষয় নিৰ্দিষ্ট পশ্চাৎ প্ৰক্ৰিয়াকৰণ:
আমি বিষয় নিৰ্দিষ্ট পিছৰ প্ৰক্ৰিয়াকৰণ পদ্ধতিসমূহ ব্যৱহাৰ কৰোঁ, যেনে পাঠত থকা ৰাসায়নিক সমীকৰণ, গণিতৰ ৰাশি পৰিচালন। পাঠত থকা ৰাসায়নিক সমীকৰণ আৰু ৰাসায়নিক স্বত্তাসমূহে এক গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে শব্দাৰ্থগতভাৱে সদৃশ প্ৰশ্ন উদ্ধাৰত।
তথ্যসূত্ৰ
[1] Raffel, Colin, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, and Peter J. Liu. “Exploring the limits of transfer learning with a unified text-to-text transformer.” arXiv preprint arXiv:1910.10683 (2019).
[2] Devlin, Jacob, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. “Bert: Pre-training of deep bidirectional transformers for language understanding.” arXiv preprint arXiv:1810.04805 (2018).
[3] Tan, Mingxing, and Quoc Le. “Efficientnet: Rethinking model scaling for convolutional neural networks.” In International Conference on Machine Learning , pp. 6105-6114. PMLR, 20
[4] 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).
[5] 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.
[6] Gaur, Manas, Ankit Desai, Keyur Faldu, and Amit Sheth. “Explainable AI Using Knowledge Graphs.” In ACM CoDS-COMAD Conference. 2020.
[7] Sheth, Amit, Manas Gaur, Kaushik Roy, and Keyur Faldu. “Knowledge-intensive Language Understanding for Explainable AI.” IEEE Internet Computing 25, no. 5 (2021): 19-24.
[8] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU
[9] 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.
← AI হোমলৈ ঘূৰি যোৱা
