લર્નિંગ આઉટકમની AI સ્ટેકની રચના

Embibe તેની શરૂઆતથી જ ડેટા-સંચાલિત, ડેટા-કેન્દ્રિત, ડેટાની ઝંખના કરતી કંપની રહી છે, જેણે ખૂબ જ વહેલું સમજી લીધું હતું કે દરેક વિદ્યાર્થી માટે, શિક્ષણને વ્યક્તિગત કરવામાં સક્ષમ થવામાં ડેટા મુખ્ય ઘટક છે. અને તેમ છતાં, ડેટા એકલા માત્ર અડધા ચિત્રને પૂર્ણ કરે છે. ટેક્નોલોજીનો ઉપયોગ કરીને શિક્ષણનું વ્યક્તિકરણ એ એક પડકારજનક સમસ્યા છે જેના માટે અદ્યતન અલ્ગોરિધમ્સના ઇન્ટરપ્લેની જરૂર છે જે બહુવિધ પેટા-ડોમેન પર વિશાળ માત્રામાં ડેટાનો લાભ લઈ શકે છે.

Embibe માં, અમે માનીએ છીએ કે, આગેવાન જનમતા નથી, તેઓ લાંબા સમયે માર્ગમાં હજારો અનુભવોમાંથી શિખીને ઘડાતા હોય છે. છેલ્લા આઠ વર્ષોથી Embibe એ ખૂબ પરિશ્રમના અંતે માહિતી એકત્ર કરી, તેનું વિશ્લેષણ કરી અને તેના તથા આધુનિક મશીન લર્નિંગ અને AI ટેકનોલોજીના સમન્વયથી વિદ્યાર્થીઓ માટે અદ્વિતીય વ્યક્તિગત શિક્ષણ અનુભવ તેના પ્લેટફોર્મની મદદથી લઈ આવ્યું છે. નીચે અમે Embibe ની એડટેક વિશેની ડેટા સંચાલિત ફિલસૂફી દર્શાવી છે.

ડેટાનો સંગ્રહ અને એકત્રીકરણ

યુઝરનું મૂલ્ય ઉમેરવા માટે, જો યોગ્ય રીતે ઇન્સ્ટ્રુમેન્ટ કરવામાં ન આવે, વારંવાર એકત્રિત કરવામાં આવે અને સારી રીતે સાફ કરવામાં ન આવે તો ડેટાનું પોતે જ મૂલ્યવાન નથી. દાખલા તરીકે, હકીકત એ છે કે પ્રેક્ટિસ અથવા ટેસ્ટ પ્રશ્નનો પ્રયાસ કરવામાં આવ્યો હતો તે લગભગ તેટલો ઉપયોગી નથી જેટલો પ્રયત્ન સંબંધિત તમામ સૂક્ષ્મ ઘટનાઓ જેમ કે પ્રશ્નના પ્રથમ દેખાવનો સમય, છેલ્લી વખત સેવનો સમય, દરેક પુનઃ મુલાકાતનો સમય, દરેક મુલાકાત સમયે જવાબની પસંદગી બદલવી, પ્રેક્ટિસ પ્રયાસની મુલાકાત દરમિયાન ઉપયોગમાં લેવાતી હિન્ટ, ટેસ્ટ અનુક્રમ વિનાના પ્રશ્નો વગેરે. Embibe છેલ્લા આઠ વર્ષોમાં ગ્રેન્યુલર ડેટા મેળવવામાં ભારે રોકાણ કર્યું છે. Embibe સમૃદ્ધ ડેટા પ્રકારો કેપ્ચર કરવાની ક્ષમતા ધરાવે છે જે નિમ્નલિખિત સુધી મર્યાદિત નથી:

યુઝરની સ્પષ્ટ ઘટનાઓ જેવી કે ક્લિક, ટેપ, હોવર, સ્ક્રોલ, ટેક્સ્ટ-અપડેટ
યુઝરની અસ્પષ્ટ ઘટનાઓ જેવી કે કર્સરનું સ્થાન, ટેપનું દબાણ, ઉપકરણનું સંસ્કરણ
સિસ્ટમ જનરેટેડ સર્વરની તરફની ઘટનાઓ જેવી કે પેજ લોડ, સેશન રિફ્રેશર, API કોલ
સિસ્ટમ જનરેટેડ ક્લાયન્ટ તરફની ઘટનાઓ જેવી કે સિસ્ટમ પુશ નોટિફિકેશન તથા ટ્રિગર

ડોમેઈન કુશળતા

તે સામાન્ય રીતે કળામાં દક્ષતા ધરાવતા લોકો માટે જાણીતું છે કે ગ્રૂપમાં કામ કરતાં ડેટા વૈજ્ઞાનિક સંગ્રહિત ડેટામાં મૂલ્ય સંવર્ધન કરી શકતા નથી કારણ કે તેમની પાસે અર્થસભર દૃષ્ટિકોણની છણાવટ માટે પૂરતો સંદર્ભ અને વિષયનું જ્ઞાન નથી હોતું. Embibe આ સમજે છે તેથી જ અમે ડેટા વૈજ્ઞાનિક તથા શિક્ષણવિદો વચ્ચે પૂરતા સમન્વયની ખાતરી કરીએ છે.

શૈક્ષણિક ડેટાની તૈયારી:

Embibe એ શૈક્ષણિક ડેટાના નિર્માણ અને ક્યુરેશનમાં સમય અને સંસાધનોનું રોકાણ કર્યું છે જે જાહેર ડોમેનમાં ઉપલબ્ધ નથી. દાખલા તરીકે, વર્ષોથી 30 ફેકલ્ટીઓની ટીમે અર્ધ-નિરીક્ષણ કરેલ અલ્ગોરિધમ્સનો ઉપયોગ કરીને હજારો ઇન્ટરકનેક્શન્સ સાથે 62K કોન્સેપ્ટની નજીકનો નોલેજ વૃક્ષ બનાવ્યું છે, જેમાં પ્રત્યેક કોન્સેપ્ટ પર 426 મેટા વેરિયેબલ છે જેના પરિણામે લાખો મેટા-વેરિયેબલ છે. ડાઉનસ્ટ્રીમ એલ્ગોરિધમ માટે તાલીમ ડેટા જનરેટ કરવા માટે આ ટીમે નોલેજ વૃક્ષ પરના કોન્સેપ્ટ, પરીક્ષાનો અભ્યાસક્રમ, કૌશલ્ય, મુશ્કેલી સ્તર, આદર્શ સમય, બ્લૂમ લેવલ જેવા મેટા ટૅગ પર સેંકડો હજારો પ્રશ્નો મેન્યુઅલી ટૅગ કર્યા છે.

શૈક્ષણિક + વિજ્ઞાન: જ્યારે ડેટા વૈજ્ઞાનિકો અને શિક્ષણવિદો સાથે મળીને કામ કરે છે ત્યારે શીખવાની વક્ર હોય છે. દાખલા તરીકે, વૈજ્ઞાનિકોએ જાણવું જોઈએ કે પરીક્ષાઓ સેટ કરતી વખતે શિક્ષણવિદો કયા પરિમાણોને ધ્યાનમાં લે છે, તેઓ કેવી રીતે વિવિધતા લાવે છે અને તેઓ વ્યક્તિગત વિદ્યાર્થીઓ માટે પરીક્ષાઓને કેવી રીતે વ્યક્તિગત કરે છે. એલ્ગોરિધમિક કોડમાં વિદ્વાનોના જ્ઞાનનો આ અનુવાદ સમય માંગી લે છે અને વૈજ્ઞાનિક પૂલમાં વિષયમાં કુશળતા પુરી પાડે છે. Embibe એ ડેટા માઇનિંગ તકનીકોનો ઉપયોગ કરીને હજારો શબ્દસમૂહોનો શૈક્ષણિક કોર્પસ બનાવવા માટે ફેકલ્ટી-વૈજ્ઞાનિક ક્રિયાપ્રતિક્રિયાઓનો પણ ઉપયોગ કર્યો

વ્યક્તિગત એડટેક પ્લેટફોર્મ બનાવવા માટે માહિતી અને AI નો ઉપયોગ

પર્યાપ્ત સમય માટે પ્રથમ દર્શી માહિતી એકત્ર કરવામાં આવે છે. જો કોઈક યુઝર મેળવવા માટે ભલે ગમે તેટલા રૂપિયા ખર્ચે પણ જો તેઓ સિસ્ટમ સાથે જરૂરી આદાનપ્રદાન નહીં કરે તો પૂરતી માહિતી ન પણ મેળવી શકાય. Embibe તેના તમામ માહિતીની માલિકી ધરાવે છે અને તે એડટેકનું વ્યક્તિકરણ કરવા માટે પરસ્પર જોડાયેલા વિવિધ પેટા પ્રશ્નોનો ઉકેલ મેળવવા માટે આધુનિક અલ્ગોરિધમના ઉપયોગ કરીને આ માહિતીનો લાભ લે છે.

સ્માર્ટ ટેગીંગ: કોન્સેપ્ટ, વિષયો અને અન્ય બકેટના ટેગીંગ પ્રશ્નોમાં પાઠ્યપુસ્તકની માહિતીનો સાર શૈક્ષણિક કી-વર્ડ્સમાં રહેલો છે. એકીકૃત શૈક્ષણિક કીવર્ડ શબ્દકોશો જાહેર ડોમેનમાં ઉપલબ્ધ નથી. તદુપરાંત, શૈક્ષણિક કીવર્ડ્સને બિન-શૈક્ષણિકથી અલગ પાડવું મુશ્કેલ છે. ‘અંત’ જેવો દેખીતો બિન-શૈક્ષણિક શબ્દ વાસ્તવમાં યોગ્ય સંદર્ભમાં શૈક્ષણિક છે, દાખલા તરીકે, “સ્ટ્રિંગના અંત પર લાગુ કરેલ બળ”. Embibe ના સ્માર્ટ ટેગીંગ એલ્ગોરિધમ્સ, ક્રાઉડ-સોર્સ્ડ હ્યુમન ફેકલ્ટી માટે માત્ર 18% ની સરખામણીમાં 82% વખત પ્રશ્નને ટેગ કરવા માટે સૌથી સુસંગત કોન્સેપ્ટને ઓળખી શકે છે.

ઓટોમેટેડ ટેસ્ટ જનરેશન

ઉપર વર્ણવેલ વૈજ્ઞાનિક-ફેકલ્ટીની કવાયત Embibe ના ઓટોમેટેડ ટેસ્ટ જનરેશન મોડ્યુલમાં પરિણમી હતી જેનો ઉપયોગ લગભગ 62,000 કોન્સેપ્ટ, મુશ્કેલી સ્તર, આદર્શ સમય, બ્લૂમ લેવલ, કુશળતા સાથે ટૅગ કરેલા લાખો પ્રશ્નોમાંથી ઘણી પરીક્ષાઓમાં સેંકડો પરીક્ષા પ્રશ્નપત્રો બનાવવા માટે કરવામાં આવ્યો હતો. મોડ્યુલ એક અત્યાધુનિક હાઇબ્રિડ અલ્ગોરિધમનો ઉપયોગ કરે છે જે સિમ્યુલેટેડ એનેલીંગ અને આનુવંશિક અલ્ગોરિધમનો ઉપયોગ કરીને થોડાજ સમયમાં અનુભવી ફેકલ્ટીએ તૈયાર કરેલા નવા પરીક્ષા પ્રશ્નપત્રો બનાવે છે, જે કોઈપણ ચોક્કસ પરીક્ષાના સ્તર સાથે મેળ ખાય છે.

વર્તણૂકલક્ષી ધ્યેય સેટિંગ અને સ્કોર ઈમ્પ્રુવમેન્ટ અનુમાન: અસંખ્ય વર્તણૂકલક્ષી કેસ સ્ટડીઝ, ફેકલ્ટી ડોમેન જ્ઞાન અને આંકડાકીય પેટર્ન માઇનિંગ સાથે, Embibe અગત્યના વર્તણૂકીય લક્ષણોને કેવી રીતે માપવા અને સુધારવા તે જાણે છે. હજારો આંકડાકીય રીતે માન્ય મૂલ્યાંકનોના આધારે, અમે સૌથી વધુ અસર કરતી વર્તણૂકલક્ષી વિશેષતાઓને ઓળખવામાં, પ્રગતિશીલ ધ્યેયો સેટ કરવા અને તે સુધારાઓના આધારે સ્કોર સુધારણાની આગાહી કરવામાં સક્ષમ છીએ.

Embibe ગુણાંક: Embibe એ ઇવેન્ટ લેવલ પર કેપ્ચર કરેલ વિગતવાર ડેટા સિગ્નલો સાથે હજારો મૂલ્યાંકનો કરતાં સેંકડો પૂર્વધારણાઓમાંથી સંખ્યાબંધ ઉચ્ચ પ્રભાવ લક્ષણોની સફળતાપૂર્વક ઓળખ કરી છે. અમે 94% ચોકસાઈ સાથે સ્કોરનો અંદાજ કાઢવામાં સક્ષમ છીએ અને એ સ્થાપિત કરવામાં સક્ષમ છીએ કે ગુણાંક એ તેના 61% પરીક્ષાઓ પર અસર કરે છે અને વર્તણૂક એ પરીક્ષાઓ પર તેના 39% અસર કરે છે. પ્લેટફોર્મ પર સેંકડો હજારો યુઝર ટેસ્ટની ઉપલબ્ધતાને કારણે મોડેલ કન્વર્ઝ કરવામાં સક્ષમ હતું. ટ્રાન્સફર લર્નિંગ સાથે, અન્ય પરીક્ષાઓ માટે બૂટ-સ્ટ્રેપિંગ મોડલ ખૂબ જ સરળ બની ગયા.

પ્રયાસ લીડ સ્કોર સુધારણા: Embibe ના પ્લેટફોર્મ પરની દરેક ક્રિયાપ્રતિક્રિયા લર્નિંગ આઉટકમ સામે માપવામાં આવે છે. ઐતિહાસિક ડેટા અને કેન્દ્રિત સંશોધનની ચાર સીઝન સાથે, તે Embibe ની ઓફરને માન્ય કરે છે અને લર્નિંગ આઉટકમને ઑપ્ટિમાઇઝ કરવા માટે આગળ ફીડ કરે છે. ઉચ્ચ પ્રયત્નોના સમૂહના વિદ્યાર્થીઓએ પરિણામે ~50% કુલ સ્કોરમાં સુધારો કરેલ છે.

કોન્ટેન્ટ શોધવું અને સૂચનો: Embibe નું સર્ચ-આધારિત UI એ છેલ્લાં આઠ વર્ષોમાં વિદ્યાર્થીઓએ અમારા પ્લેટફોર્મ સાથે વાર્તાલાપ કરતી વખતે એકત્રિત કરવામાં આવેલા વિશાળ પ્રમાણમાં ડેટાનો ઉપયોગ કરીને સંચાલિત થાય છે. અમારું સર્ચ એન્જિન જે યુઝરના સર્ચ પર આધારિત કોન્ટેન્ટ પૂરું પાડે છે તે પસંદ કરવા અને ફરીથી રેન્ક આપવા લાખો સંભવિત સંયોજનોની સંયુક્ત સર્ચ જગ્યા માટે યુઝર સમૂહ સોંપણીઓ, ઐતિહાસિક સર્ચ વલણો અને કોન્ટેન્ટ વપરાશ પેટર્ન, પરીક્ષા આધારિત કોન્ટેન્ટની મુશ્કેલી અને યુઝરની ભૂતકાળની યુઝર ક્રિયાપ્રતિક્રિયા, જેવા 25 ભારાંક પરિબળો પૈકી વાસ્તવિક સમયમાં સંબંધિત પરિણામોને ફરીથી રેન્ક આપે છે. વધુમાં, વિદ્યાર્થીઓને તેમના સમયમાં ધ્યાન કેન્દ્રિત કરવા માટે જો પૂરતો ડેટા ઉપલબ્ધ હોય, તો પ્લેટફોર્મ સાથેની તેમની ભૂતકાળની ક્રિયાપ્રતિક્રિયાના આધારે, અથવા ડેટા અપૂરતા કિસ્સાઓમાં દેખાવના યુઝરના આધારે લક્ષિત કોન્ટેન્ટ માટેની ભલામણો બતાવવામાં આવે છે.

એડટેક માટે AI પ્લેટફોર્મ તૈયાર કરવા માટેની શરતો

આજે દુનિયામાં અગણિત એડટેક કંપનીઓ છે. જેમાની મહત્તમ કંપનીઓ શિક્ષણને વ્યક્તિગત બનાવવા માટે અને એડટેક માટે AI સંચાલિત પ્લેટફોર્મ તૈયાર કરવા માટે ફક્ત થોડી જ મુશ્કેલીઓ પર આધારિત હોય છે. નીચેના કોષ્ટકમાં એક એડટેક કંપનીનું પ્રશ્નપત્ર કાઢનાર પોર્ટલમાંથી ખરેખરૂ એડટેક પ્લેટફોર્મ બનવા સુધીની વિકાસ યાત્રા દર્શાવેલી છે.

કોન્ટેન્ટ	પ્રયાસડેટા	વિષય નિષ્ણાંત	નોલેજ આલેખ	ડેટા સાયન્સ લેબ	શક્યતા
પ્રકરણ કક્ષાએ 1) સરેરાશ 250+ પ્રશ્નો 2) ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ (3) 10 સંપૂર્ણ ટેસ્ટ					પાયાની ટેસ્ટની તૈયારી
(1) પ્રકરણ કક્ષાએ સરેરાશ 250+ પ્રશ્નો (2) ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ (3) 10 સંપૂર્ણ ટેસ્ટ	પ્રશ્નો પર કેટલાક ઓછામાં ઓછા યુઝર સ્તરે પ્રયત્નો				પાયાની ટેસ્ટની તૈયારી+પાયાનું ઉપયોગકર્તા કક્ષાનું પ્રતિસંવાદ વિશ્લેષણ
પ્રકરણ કક્ષાએ સરેરાશ 250+ પ્રશ્નો, ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ, 10 સંપૂર્ણ ટેસ્ટ, પ્રતિ પ્રકરણ અભ્યાસના 5 કોન્ટેન્ટ (વિડીયો, લખાણ, લીંક)	પ્રશ્નો પર કેટલાક ઓછામાં ઓછા યુઝર સ્તરે પ્રયાસો				પાયાની ટેસ્ટની તૈયારી+પાયાનાપ્રતિસંવાદનું વિશ્લેષણ + અભ્યાસ
ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ 10, 10 સંપૂર્ણ ટેસ્ટ, દરેક પ્રકરણના 5 અભ્યાસ માટેના કોન્ટેન્ટ	બધા પ્રશ્નો પર 60 લાખની મર્યાદામાં સરેરાશ દરેક પ્રશ્ન પર 25+ પ્રયત્નો	(1) વિષય તંદુરસ્તી, (2) ટેસ્ટની ગુણવત્તા નિયંત્રણ, (3) શંકા નિવારણ માટે આંતરિક શિક્ષણવિદ			પાયાની ટેસ્ટની તૈયારી+ઊંડાણપૂર્વકનું પ્રતિસંવાદ વિશ્લેષણ+ શંકા નિવારણ
પ્રકરણ કક્ષાએ સરેરાશ 500+ પ્રશ્નો ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ 10 સંપૂર્ણ ટેસ્ટ પ્રતિ પ્રકરણ 5 અભ્યાસ માટેના કોન્ટેન્ટ	બધા પ્રશ્નો પર 60 લાખની મર્યાદામાં સરેરાશ દરેક પ્રશ્ન પર 25+ પ્રયાસો	(1) કોન્ટેન્ટ હાઇજીન, (2) ટેસ્ટ ગુણવત્તા નિયંત્રણ, (3) શંકા નિવારણ માટે આંતરિક શિક્ષણવિદ	(1) ~4000 સુધીના મુદ્દાઓ માટે વિષય કક્ષાએ પાયાનું વર્ગીકરણ (પ્રતિ પ્રકરણ~5 વિષય)		અદ્યતન ટેસ્ટ તૈયારી= પાયાની ટેસ્ટ તૈયારી+ઊંડાણપૂર્વકનું પ્રતિસંવાદ વિશ્લેષણ+અભ્યાસ+શકા નિવારણ+વિષય કક્ષાની રૂપરેખા
1) પ્રકરણ કક્ષાએ સરેરાશ 500+ પ્રશ્નો 2) ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ 3) 10 સંપૂર્ણ ટેસ્ટ 4) દરેક પ્રકરણના 5 અભ્યાસના વિષયો	બધા પ્રશ્નો પર 20 લાખની મર્યાદામાં સરેરાશ દરેક પ્રશ્ન પર 100+ પ્રયાસો	(1) વિષય તંદુરસ્તી, (2) કસોટીનું ગુણવત્તા નિયંત્રણ, (3) શંકા નિવારણ (4) ડેટા સાયંટિસ્ટ સાથે AI પૂર્વધારણા નિર્માણ માટે આંતરિક શિક્ષણવિદ	(1) ~40 હજાર સુધી કોન્સેપ્ટ માટે કોન્સેપ્ટ કક્ષાએ ઊંડાણપૂર્વકનું વર્ગીકરણ (પ્રતિ પ્રકરણ ~100 કોન્સેપ્ટ)	2+ વર્ષથી કાર્યરત 4 લોકોની ડેટા સાયન્સ ટીમ	ઊંડાણપૂર્વકની ટેસ્ટ તૈયારી+વ્યક્તિગત ધ્યાન+લર્નિંગ આઉટકમ
1) ઓછામાં ઓછી 3 પ્રકરણ કક્ષાની ટેસ્ટ (2) 10 સંપૂર્ણ ટેસ્ટ 3) દરેક પ્રકરણના ઓછામાં ઓછા 5 અભ્યાસ માટેના કોન્ટેન્ટ	બધા પ્રશ્નો પર 30 લાખની મર્યાદામાં સરેરાશ દરેક પ્રશ્ન પર 150+ પ્રયત્નો( દરેક શ્રેણીના 50)	(1) વિષય તંદુરસ્તી, (2) કસોટીનું ગુણવત્તા નિયંત્રણ, (3) શંકા નિવારણ (4) ડેટા સાયંટિસ્ટ સાથે AI પૂર્વધારણા નિર્માણ માટે આંતરિક શિક્ષણવિદ	~40 હજાર સુધી કોન્સેપ્ટ માટે કોન્સેપ્ટ કક્ષાએ ઊંડાણપૂર્વકનું વર્ગીકરણ (પ્રકરણવાર ~100 કોન્સેપ્ટ)	(IRT, ML)2+ વર્ષથી ઓટો ઈંજેશન (OCR), ઓટો ટેગિંગ (NLP, ML), પેકેજિંગ (ઓપ્ટીમાઇઝેશન), નોલેજ ગ્રાફ જનરેશન તથા કેલિબ્રેશન (IR, ગ્રાફ માઇનિંગ, ML), બિહેવિયર ઇંટર્વેંશન (ML), પર્સનલાઇઝેશન જેવી સમસ્યાઓના ઉકેલ માં કાર્યરત 8 લોકોની ડેટા સાયન્સ ટીમ

લર્નિંગ આઉટકમની AI સ્ટેકની રચના