Embibe मध्ये, आम्ही विध्यार्थ्यांची लर्निंग जर्नी अधिक सक्षम करण्यासाठी वचनबद्ध आहोत. नॉलेज बडी हा आर्टिफिशल इंटेलिजेंस असलेला चॅटबॉट आहे ज्याची निर्मिती विद्यार्थ्यांना प्रश्नांची उत्तरे देऊन आणि शंकांचे निरसन करून त्यांच्या शिक्षणामध्ये सुधारणा करण्यासाठी त्यांना मदत करण्यासाठी केली गेली आहे.

स्वयंचलितपणे प्रश्नांची निर्मिती आणि उत्तरे देण्यासाठी सखोल लर्निंग मॉडेल्सला पूरक म्हणून क्षेत्राचे सुस्पष्ट ज्ञान अतिशय महत्वाचे आहे. Emibibe चा नॉलेज ग्राफ हा सामग्रीच्या बुद्धीमत्तेचा कणा आहे, यामध्ये लाखोंहून अधिक संबंधाचा वापर करून एकमेकांशी जोडलेल्या हजारो संकल्पना आणि क्षमता आहेत. 

नॉलेज बडीची निर्मिती संभाषणात्मक आर्टिफिशल इंटेलिजेंस आणि आधुनिक भाषा आणि दृश्यमान मॉडेल्स वापरून केली आहे. हे बुद्धिमान संभाषणे तयार करण्यासाठी या सखोल शिक्षण मॉडेल्समध्ये शैक्षणिक नॉलेज ग्राफमधून ज्ञान संदर्भ अंतर्भूत करते.

नॉलेज बडी खालील क्षमता प्रदान करतो:

  1. विद्यार्थ्यांच्या लर्निंग आउटकमचे मूल्यमापन करण्यासाठी विद्यार्थ्यांच्या लर्निंग हिस्ट्रीच्या आधारे प्रश्न स्वयं-निर्मित करणे आणि विचारणे. 
  2. विद्यार्थी लर्निंग कॉन्टेंट वापरत असताना त्यांच्या प्रश्नांची उत्तरे देणे.
  3. प्रश्नांचे स्वयंचलितपणे भाषांतर करणे आणि युजरद्वारे निवडलेल्या स्थानिक भाषेमध्ये उत्तर देणे. 

नॉलेज बडीच्या क्षमतेचे उदाहरण आकृती 1 मध्ये दर्शवले आहे.  

1. प्रश्न निर्मिती (QG)

स्वयंचलितपणे प्रश्न निर्मिती करण्याची क्षमता विद्यार्थ्यांचे लक्ष गुंतवून ठेवण्याची आणि संकल्पनेवरील त्यांच्या प्रभुत्वाचे मुल्यांकन करण्याची संधी देते. आम्ही T5, UniLM इत्यादी सारख्या आधुनिक भाषा मॉडेल्सचा विस्तार केला आहे आणि त्यांना ARC, DROP, QASC, SciQ, SciTail, SQUAD, HotpotQA इत्यादी सारख्या उपलब्ध संशोधन डेटासेट आणि Embibe च्या मालकीचा डेटासेटवर प्रशिक्षण दिले आहे. आम्ही बुलियन, स्पॅनवर आधारित, रिकाम्या जागा भरा, अनेक पर्यायी प्रश्न इ. सारख्या अनेक प्रकारच्या प्रश्नांना समर्थन देतो. आम्ही KI-BERT [3] सारख्या संरचनेमध्ये शैक्षणिक नॉलेज ग्राफमधील ज्ञान अंतर्भूत करतो. तसेच आम्ही नॉलेज ग्राफमध्ये वृद्धि करून हे सुनिश्चित करतो की, हे मॉडेल्स अधिक सुस्पष्ट आणि समजावून सांगण्याजोगे असतील. आमचे मॉडेल्स एंटिटी अवेअर अटेन्शन मेकॅनिझमच्या मदतीने अनेक पर्यायी प्रश्न देखील तयार करतात. प्रश्न निर्मिती मॉडेल शैक्षणिक संदर्भ इनपुट म्हणून घेते, इच्छित प्रश्न प्रकारासाठी तत्पर असते आणि इतर प्रश्न प्रकार, विशेषतः मेटाडेटाला इनपुट म्हणून घेते. 

2. प्रश्नांची उत्तरे देणे (QA)

जेव्हा विद्यार्थ्यांकडे त्वरित प्रश्नांची उत्तरे देण्याची क्षमता प्राप्त होते तेव्हा त्यांच्या शिक्षणावर सकारात्मक परिणाम होतो. विद्यार्थ्यांना जेव्हा आणि जसे प्रश्न पडतील तेव्हा लगेचच त्यांच्या प्रश्नांची उत्तरे दिली गेली तर त्यांच्या शिकण्याची प्रक्रिया परिणामकारक ठरेल. नॉलेज बडी विद्यार्थ्यांना कोणताही प्रश्न विचारण्याची संधी देतो, ज्याचे उत्तर प्रश्नांचे उत्तर देण्याचे मॉडेल वापरून दिले जाईल. T5, UniLM इत्यादी सारख्या पूर्व-प्रशिक्षित भाषा मॉडेल्सचा वापर करून प्रश्नांची उत्तरे देणाऱ्या मॉडेल्सना प्रशिक्षण दिले जाते आणि मागील सत्रामध्ये नमूद केलेल्या संशोधन डेटासेट आणि Embibe च्या मालकीच्या डेटासेटसाठी फाईन-ट्यून केले जाते. युजर्स विविध प्रकारच्या संदर्भामधून प्रश्न विचारू शकतात, जसे की,  निवडलेला मजकूर, धडा, पुस्तक किंवा अभ्यासक्रम. आमची प्रश्नांची उत्तरे देण्याची पद्धत डेन्स वेक्टर सिमेंटिक मधील समानता वापरून संदर्भाच्या प्रकारांवर आधारित संबंधित संदर्भ निवडते आणि अनुमानित उत्तर देण्यासाठी प्रश्नाचे उत्तर देणाऱ्या मॉडेलचा वापर करते. अभिप्राय लूपमुळे आमच्या मॉडेलला सुधारण्यासाठी सतत मदत होत राहील. आमचे प्रश्नाचे उत्तर देणारे मॉडेल इतके प्रगत आहे की ते NEET प्रवेश परीक्षेत देखील पास होऊ शकते.

3. स्थानिक भाषांमध्ये भाषांतर (VT)

नॉलेज बडी अनेक भाषांना समर्थन प्रदान करतो आणि युजरच्या आवडीनुसार संपूर्ण संवाद कोणत्याही स्थानिक भाषेमध्ये साधता येऊ शकतो. हा कोणत्याही पूर्व-निर्धारित भाषेत स्वयं-निर्मित प्रश्न विचारू शकतो आणि त्याच भाषेमध्ये उत्तरांचे मूल्यांकन देखील करू शकतो. आम्ही स्थानिक पातळीवर विकसित झालेले NMT मॉडेल वापरतो, जे सामान्य भाषांतरासाठी उपलब्ध असलेल्या इतर प्रकारापेक्षा अधिक चांगली कामगिरी करते. सध्या आमचा चॅटबॉट 11 भारतीय भाषांना समर्थन प्रदान करतो ज्यामध्ये हिंदी, गुजराती, मराठी, तमिळ, तेलुगु, बंगाली, कन्नड, असामी, ओरिया, पंजाबी आणि मल्याळम यांचा समावेश आहे. शैक्षणिक क्षेत्राच्या विशिष्टतेमुळे, आमचे स्थानिक पातळीवर विकसित झालेले मॉडेल Google Translate सारख्या तृतीय पक्ष API पेक्षा चांगली कामगिरी करत आहे. 

आपण तक्ता 1 मध्ये काही उदाहरणे पाहू शकता की आमच्याद्वारे प्रदान केलेले भाषांतर गूगल भाषांतरापेक्षा चांगले का आहे:

EnglishGoogle TranslationKnowledge Buddy Translation
which of the following law was given by Einstein:खालीलपैकी कोणता कायदा आइन्स्टाईनने दिला होताःखालीलपैकी कोणता नियम आइनस्टाईनने दिला होताः
which one of the following is not alkaline earth metal?खालीलपैकी कोणता क्षारीय पृथ्वी धातू नाही?खालीलपैकी कोणता अल्कधर्मी मृदा धातू नाही?
Endogenous antigens are produced by intra-cellular bacteria within a host cell.अंतर्जात प्रतिजन हे यजमान सेलमधील इंट्रा-सेल्युलर बॅक्टेरियाद्वारे तयार केले जातात.अंतर्जात प्रतिजन हे पूर्णावृत पेशीमधील आंतर पेशीय जीवाणूंद्वारे तयार केले जातात.
तक्ता 1: Embibe च्या भाषांतर क्षमतेचे उदाहरण दर्शवणारे प्रात्यक्षिक

थोडक्यात सांगायचे झालेच तर, संभाषणात्मक AI चॅटबॉट नॉलेज बडी लर्निंग प्लॅटफॉर्म प्रदान करण्यात मदत करून विद्यार्थ्यांच्या लर्निंग जर्नीवर संभाव्य परिणाम करू शकतो. हा प्रत्येक लर्निंग सत्र संपल्यानंतर विद्यार्थ्यांना मदत करू शकतो, जसे की, विद्यार्थी त्यांच्या स्वतःच्या भाषेत प्रश्न विचारू शकतात, त्यांच्या शंकांचे निरसन करू शकतात. नॉलेज बडी आमच्या NLU प्लॅटफॉर्म Medhas द्वारे समर्थित आहे, जो क्षेत्रातील ज्ञानाला अंतर्भूत करणे, स्पष्ट करणे आणि समजावून सांगणे यास प्रमुख मूलभूत तत्व मानतो [3][4][6][7][8].

संदर्भ:

[1] राफेल, कॉलीन, नोएम शाझीर, ॲडम रॉबर्ट्स, कॅथरीन ली, शरण नारंग, मायकल, मटीना, यांकी झोऊ, वि ली आणि पीटर जे. ल्यू . “Exploring the limits of transfer learning with a unified text-to-text transformer.” arXiv preprint arXiv:1910.10683 (2019).

[2] डोंग, ली, नान यांग, वेन्हुई वँग, फुरू वी, शियाडोंग लियू, यू वांग, जियानफेंग गाओ, मिंग झोऊ आणि ह्शिआओ-वूएन होन. “Unified language model pre-training for natural language understanding and generation.” arXiv preprint arXiv:1905.03197 (2019).

[3] फालदू, केयूर, अमित शेठ, प्रशांत किकानी आणि हेमांग अकबरी. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).

[4] गौर, मानस, केयूर फालदू आणि अमित शेठ. “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] झु, फेंगबिन, वेनकियांग ली, चाओ वँग, जियानमिंग झेंग, सौजन्या पोरीया आणि तात-सेंग चूआ. “Retrieving and reading: A comprehensive survey on open-domain question answering.” arXiv preprint arXiv:2101.00774 (2021).

[6] गौर, मानस, अंकित देसाई, केयूर फालदू आणि अमित शेठ. “Explainable AI Using Knowledge Graphs.” In ACM CoDS-COMAD Conference. 2020.

[7] शेठ, अमित, मानस गौर, कौशिक रॉय आणि केयूर फालदू. “Knowledge-intensive Language Understanding for Explainable AI.” IEEE Internet Computing 25, no. 5 (2021): 19-24.

[8] “[Tutorial] Explainable AI using Knowledge Graphs”, YouTube, ACM SIGKDD India Chapter, Jan 2021, https://www.youtube.com/watch?v=f1sahXYDjRI

[9] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

← AI होमवर परत जा