মেধাস

মেধাস, হলো একটি সংস্কৃত শব্দ, যার অর্থ হলো জ্ঞান, বোধগম্যতা এবং বুদ্ধিমত্তা। একটি শিক্ষাবিষয়ক প্রযুক্তি কৃত্রিম বুদ্ধিমত্তা ( AI)-এর প্রতিষ্ঠান তৈরী করার জন্য সাধারণ ভাষা বোধগম্যতার/ন্যাচরাল ল্যাঙ্গুয়েজ আন্ডারস্ট্যান্ডিং (NLU) প্রতিষ্ঠান অত্যন্ত গুরুত্বপূর্ণ। NLU ক্ষমতাগুলি উচ্চমানের শিক্ষা এবং মূল্যায়ন সামগ্রী, বিষয়ভিত্তিক জ্ঞানের লেখচিত্র, ব্যাখ্যাযোগ্য এবং বোধগম্য অনুমানগুলিকে সমৃদ্ধ করতে, সুপারিশ করতে বা শিক্ষার্থীদের জন্য প্রয়োজনীয় বিষয়বস্তু তৈরী করতে শিক্ষার ফলাফল অর্জনে সক্ষম করে। কয়েকটি উদাহরণ যেখানে এটি সরাসরি শিল্প উপস্থাপনা অর্জনে সহায়তা করে তা হল বিষয়বস্তু বুদ্ধিমত্তার কাজ যেমন প্রশ্ন তৈরী করা, প্রশ্ন উত্তর, সংশয় সমাধান, ইনস্টা-সলভার ইত্যাদি।

কৃত্রিম বুদ্ধিমত্তা/আর্টিফিসিয়াল ইন্টেলিজেন্স এক দীর্ঘ পথ অতিক্রম করে এসেছে, গভীর শিক্ষণ কৌশলগুলি বিস্তৃত অঞ্চলের অ্যাপ্লিকেশনগুলির উপর তার সম্ভাবনার জন্য একটি দৃঢ় ক্ষেত্র তৈরী করেছে। কিন্তু , কৃত্রিম বুদ্ধিমত্তা/আর্টিফিসিয়াল ইন্টেলিজেন্সের বর্তমান অবস্থাটি ব্ল্যাক-বক্স মডেলগুলির দ্বারা নিয়ন্ত্রিত যা প্রশিক্ষণ তথ্যতে পরিসংখ্যানগতভাবে ধরা সুপ্ত নিদর্শনগুলি শিক্ষণ দ্বারা প্রশিক্ষিত। এই মডেলগুলি কেবল ব্যাখ্যাতীত নয় বরং স্পষ্টভাবে সংজ্ঞায়িত এলাকার দৃশ্যপটের জন্য সম্ভাব্য ঝুঁকিপূর্ণ।

প্রতিষ্ঠান মেধাস -এর লক্ষ্য হল:

• গভীর শিক্ষণ মডেলগুলিকে ব্যাখ্যাযোগ্য এবং বোধগম্য করে তোলা 
• জ্ঞান লেখচিত্রে স্পষ্টভাবে সংজ্ঞায়িত কার্যক্ষেত্রের জ্ঞানকে গভীর শিক্ষণ মডেলগুলিতে সঞ্চার করা
• গভীর শিক্ষণ মডেলকে প্রান্ত ডিভাইস এবং সম্পদ-বাধিত বিন্যাসে প্রবেশযোগ্য করে তোলা।
• অন্য কথায়, মডেল অপ্টিমাইজেশনে স্থানীয় অন-ডিভাইস সিদ্ধান্ত গ্রহণ করতে পারা।

আমরা জ্ঞানের লেখচিত্র থেকে আত্ম-মনোযোগ ভিত্তিক মডেলগুলিতে জ্ঞান সংযোজন করা হয়। উদাহরণস্বরূপ, আমরা কনসেপ্টনেট থেকে “অন্যমনস্কতা” -এর মতো ধারণাগত সত্তাগুলির সংযোজন নিয়েছি এবং BERT-তে এটির অভিজ্ঞান সংযোজনগুলির সাথে এটি সঞ্চার করেছি। “মনের অনুপস্থিতি”-এর জন্য জ্ঞানকে সংযুক্ত করার একই প্রক্রিয়া গ্রহণ করা হয়েছে। সুতরাং, পরবর্তী আত্ম-মনোযোগ বিশিষ্ট স্তরটি “অন্যমনস্কতা” এবং “মনের অনুপস্থিতি” সত্তাগুলির সম্মিলিত জ্ঞান এবং অভিজ্ঞান সংযোজনগুলিতে মনোনিবেশ করবে।

যেহেতু “অন্যমনস্কতা” এবং “মনের অনুপস্থিতি” -এর জ্ঞান সংযোজন খুব অনুরূপ হবে, মডেলটি এর থেকে এই ধারণা গ্রহণ করবে যে, এই দুটি একই সত্তা।

উপরোক্ত উদাহরণে, আমরা ওয়ার্ডনেট থেকে “ভর” এবং “ব্যাসার্ধ” -এর মতো অস্পষ্ট সত্তাগুলির জ্ঞান আহরণ করে থাকি এবং এটিকে BERT-এর আত্ম-মনোযোগ বিশিষ্ট স্তরে একই অভিজ্ঞান সংযোজন দ্বারা সঞ্চার করা হয়ে থাকে।

সুতরাং,পরবর্তী আত্ম-মনোযোগ বিশিষ্ট স্তরটি অস্পষ্ট সত্তাগুলির সম্মিলিত জ্ঞান সংযোজন এবং অভিজ্ঞান সংযোজনগুলিতে মনোনিবেশ করবে এবং এটিতে ইনপুট/নিবেশ করা বাক্যটিকে  আরো ভালভাবে বুঝতে মডেলটিকে সহায়তা করবে।

জ্ঞানের সঞ্চার কীভাবে আরও ব্যাখ্যাযোগ্য হয়ে ওঠার আস্থা দেয়:

আমরা উপরের উদাহরণে দেখতে পাচ্ছি যে (শেষ থেকে দ্বিতীয় সারি), “গ্রিনহাউসের প্রভাব”-এর মতো  ধারণামূলক সত্তা এবং “জাল” এবং “শোষণ” -এর মত দ্ব্যর্থক সত্তা যুক্ত করার পর, এটা শুধু সঠিক অনুমানই করেনি, এর সাথে অনুমান করার আস্থাও/আত্মবিশ্বাস বেড়ে 60.55%- এ পৌঁছেছে কারণ আমরা আরও সত্ত্বা যুক্ত করেছি।

যখন আমরা আরো দ্ব্যর্থক এবং ধারণাগত সত্তা যেমন, যথাক্রমে “সৌর শক্তি” এবং “কারণ”  যুক্ত করে থাকি, তখন আত্মবিশ্বাস আরো বেড়ে 61.97%-এ পৌঁছে যায়।

সংক্ষেপে বলতে গেলে, আমরা আরো অর্থবহ সত্তা যোগ করার সাথে সাথে, এটি কেবল সঠিক অনুমানই করেনা (ভ্যানিলা BERT-এর মতো নয় যা ভুল অনুমান করছিল) বরং এটি মডেলের আত্মবিশ্বাস বাড়িয়ে দিয়েছে।

Embibe-তে শিক্ষণ গবেষণা পরীক্ষাগার দ্বারা প্রতিষ্ঠান মেধাস নির্মিত হয়েছে। শিক্ষণ গবেষণা পরীক্ষাগার হল মূল সমস্যাগুলি চিহ্নিত করার জন্য একটি বিশাল প্রভাবের সাথে সুশৃঙ্খল প্রচেষ্টা এবং মূল মূল্য প্রস্তাব উদ্ভাবনের মাধ্যমে অত্যাধুনিক গবেষণাকে এগিয়ে নিয়ে যাওয়া।

← AI হোমে ফিরে যাও