শিক্ষা প্রযুক্তির ক্ষেত্রে একটি গুরুত্বপূর্ণ কাজ হচ্ছে বিষয়বস্তুকে সবার জন্য সহজবোধ্য ও সহজলভ্য করা। এটি করার জন্য, সংস্থাগুলি গুরুত্বপূর্ণ ট্যাগের সাথে বিষয়বস্তু ট্যাগ করার জন্য মানব অ্যানোটেটর বা বিষয়বস্তু বিশেষজ্ঞদের নিয়োগ করে যা পণ্যের সামগ্রিক ব্যবহারিক অভিজ্ঞতার সাথে সংযুক্ত থাকে।

Embibe-এর জ্ঞানসম্পন্ন লেখচিত্রে 74,000-এর বেশি সংযোগস্থল রয়েছে, যার প্রতিটি জ্ঞানের একটি পৃথক একক উপস্থাপন করে। এছাড়াও 1,89,380টি আন্তঃসংযোগ এবং 2,15,062টি কর্মদক্ষতা রয়েছে। যেহেতু বিষয়বস্তুটি হাজার হাজার পরীক্ষায় শত শত পাঠ্যতালিকাতে প্রসারিত হওয়ার সাথে সাথে ট্যাগের প্রক্রিয়াটি আরও ব্যয়বহুল এবং সময়সাপেক্ষ হয়ে উঠেছে। উপরন্তু, একটি ডেটাসেটের বিভিন্ন উপসেটে কাজ করে এমন একাধিক মানব অ্যানোটেটর থাকার কারণে যখন কোনও ডেটাসেটের হস্তকৃত ট্যাগিং ঘটে তখন সর্বদা মানবিক প্রবণতা ঘটে থাকে।

মেটা ট্যাগস র‍্যাঙ্কার- এর লক্ষ্য একটি লুপ আধা-স্বয়ংক্রিয় ট্যাগিং প্রক্রিয়ায় মানুষের সাথে হস্তকৃত প্রক্রিয়াটি  প্রতিস্থাপন করে মানব ট্যাগিং-এর সাথে সম্পর্কিত সমস্যাগুলি দূর করা। মেটা ট্যাগস র‍্যাঙ্কার হল বিষয়বস্তু বিশেষজ্ঞদের জন্য নির্মিত একটি টুল, যা তাদের বিষয়, একক, অধ্যায়, প্রসঙ্গ এবং প্রদত্ত কোনও প্রশ্নের ধারণাকে Embibe প্ল্যাটফর্ম দ্বারা অনুমোদিত সমস্ত লক্ষ্যের জন্য ট্যাগ করার পরামর্শ প্রদান করে। উপরন্তু, এটি কঠিন স্তর, আদর্শ সময় এবং প্রশ্নটির উন্মেষ স্তরের জন্য পরামর্শও সরবরাহ করে।

দুটি উদাহরণ দিয়ে চিত্রিত করা যাক এটি কীভাবে কাজ করে।

মেটা ট্যাগস র‍্যাঙ্কার এক্সট্রিম মাল্টিক্লাস শ্রেনিবিন্যাস সমস্যা (XMC) [1] [2] -এর উপর ভিত্তি করে তৈরি করা হয়েছে। Embibe এর, যে কোন প্রশ্নের জন্য 74,000+ ক্লাস বা ধারণা রয়েছে। ক্লাসগুলি পারস্পরিক স্বতন্ত্র নয় অর্থাৎ, ধারণাগুলি প্রকৃতিতে অর্থগতভাবে অধিক্রমণ হয়। XMC-এর সামনে আরেকটি চ্যালেঞ্জ হলো ডাটাসেট বিতরণ। সকল ক্লাস বা ধারণায় পর্যাপ্ত সংখ্যক ডেটাপয়েন্ট থাকে না, যেমন কিছু ক্লাসে অনেক বেশি ডেটা পয়েন্ট থাকে যেহেতু অন্যান্য শ্রেণীতে খুব কম থাকে বা কিছু ডেটা পয়েন্ট মডেলের গণনা দ্বারা উপেক্ষা করা হয়। মেটা ট্যাগস র‍্যাঙ্কার প্রাকৃতিক ভাষা বোঝার জন্য গভীর শিক্ষণীয় কৌশলের অত্যাধুনিক প্রযুক্তি ব্যবহার করে। এছাড়াও এটি স্নায়বিক আদর্শ প্রশিক্ষণের ক্ষেত্রে জ্ঞানের লেখচিত্রকে কাজে লাগায় [3]। মডেলের ব্যাখ্যাযোগ্য এবং অনুবাদযোগ্য গণনাগুলি শিক্ষাবিদদের সৃজন নির্ধারণে এই ক্ষমতা প্রয়োগের উপর আস্থা রাখতে সহায়তা করে [4][5]। এই ধরনের সমৃদ্ধ বিষয়বস্তু অটো টেস্ট জেনারেশন [5][7] এবং শেখার ফলাফল [6] সরবরাহ করার ক্ষমতাকে শক্তিশালী করে।

মেটা ট্যাগ জেনারেটর বই, প্রশ্ন এবং শেখার ভিডিওর জন্য কৃত্রিম বুদ্ধিমত্তার সাথে ম্যানুয়াল ট্যাগ জেনারেশন প্রক্রিয়া হাজার ঘন্টা সংরক্ষিত হয়েছে। এটি বিভিন্ন শ্রেণী এবং বিষয়গুলির জন্য বিষয়গত দক্ষতার প্রয়োজনীয়তাও হ্রাস করেছে। Embibe ভিডিও এবং 3D সম্পদ তৈরির জন্য স্পিচ মেটাট্যাগও তৈরি করছে।

ডেমো ভিডিও

← AI হোমে ফিরে যাও