પ્રશ્નોના આપમેળે જવાબ આપવા માટે સોલ્વર ટેક્નોલોજી

પ્રશ્નોના આપમેળે જવાબ આપવા માટે સોલ્વર ટેક્નોલોજી

એક EdTech પ્લેટફોર્મ તરીકે કે જે વિદ્યાર્થીઓને સેંકડો પરીક્ષાઓના અભ્યાસક્રમમાંથી હજારો કોન્સેપ્ટ પર પ્રશ્નોનો અભ્યાસ કરવાની મંજૂરી આપે છે, Embibe એ વિદ્યાર્થીઓને ચોક્કસ પ્રશ્ન કેવી રીતે હલ કરી શકાય તે સમજવામાં મદદ કરવા માટે સ્પષ્ટીકરણો અને સ્ટેપ મુજબના ઉકેલ માર્ગદર્શિકાઓ સાથે પ્રશ્નોને સમૃદ્ધ બનાવવામાં રોકાણ કર્યું છે. આ એક મેન્યુઅલ પ્રક્રિયા છે જેમાં વિષયના નિષ્ણાંતો પ્રશ્નોનું નિરાકરણ કરે છે.

જેમ જેમ Embibe નો પ્રશ્ન ડેટાસેટ વધતો જાય છે, તેમ મેન્યુઅલી બનાવેલા ઉકેલનો ઉપયોગ કરવા પર આધાર રાખવો પ્રતિબંધિત રીતે ખર્ચાળ છે. સોલ્વર ટેક્નોલૉજી હજુ પણ પ્રમાણમાં નવું ક્ષેત્ર છે જેણે મધ્યવર્તી સ્તરના ગણિત જેવા ચોક્કસ ચોક્કસ ડોમેનમાં ટેક્સ્ટ પ્રશ્નોના ઉકેલ માટે અલ્ગોરિધમ જનરેટ કરવામાં કેટલીક સફળતા જોઈ છે.

Embibe આ ક્ષેત્રે સંશોધન કરી રહી છે જેથી તે આપમેળે જવાબો અને વિશાળ સંખ્યામાં પ્રશ્નોના સ્ટેપ મુજબના ઉકેલો જનરેટ કરી શકે.

સમસ્યા નિવેદન

ગણિતનો ટેક્સ્ટ પ્રશ્ન આપવામાં આવ્યો છે, તેને સોલ્વર કોડનો ઉપયોગ કરીને ઉકેલો અને સ્ટેપ મુજબ ઉકેલ આપો.

વિદ્યાર્થી તરફથી કોઈપણ ફ્રી ફોર્મમાં પ્રશ્ન આવી શકે છે અને તે ચોક્કસ ફોર્મેટમાં હોઈ તેવું જરૂરી નથી. અમે તેને હલ કરવાનો પ્રયાસ કરીએ છીએ અને ઉકેલના સ્ટેપ પુરા પાડીએ છીએ.

અભિગમ

આખી પ્રક્રિયા કેવી દેખાય છે તે અહીં છે:

દાખલ તરીકે,

અહીં 6 ગુજરાત બોર્ડ તરફથી એક પ્રશ્ન છે:

“આંકડાઓમાં લખો – બે લાખ પચાસ હજાર નવસો છત્રીસ.”

તેથી, પ્રથમ તબક્કામાં, અમે સોલ્વર કોડના અનુમાન દ્વારા પ્રયાસ કરીએ છીએ અને જેનો ઉપયોગ કરીને આ પ્રશ્ન હલ કરી શકાય છે, જે છે “કન્વર્ટ_ટેક્સ્ટ_ટુ_નંબર”.

પછીના તબક્કામાં, અમે અનુમાનિત સોલ્વરનું મૂલ્યાંકન કરવા માટે દલીલ મેળવીએ છીએ. તેથી, આ કિસ્સામાં ઉકેલનાર માટે ઇનપુટ દલીલ “બે લાખ પચાસ હજાર નવસો છત્રીસ” હશે.

તેથી, અમને સંપૂર્ણ ઉકેલ મળે છે:

કન્વર્ટ_ટેક્સ્ટ_ટુ_નંબર(બે લાખ પચાસ હજાર નવસો છત્રીસ).

પછી અમે જવાબ અને સ્ટેપ મુજબના ઉકેલ મેળવવા માટે દલીલ સાથે સોલ્વરનું મૂલ્યાંકન કરીએ છીએ, જે આના જેવો દેખાય છે:

ચાલો બીજા ઉદાહરણના પ્રશ્ન સાથે વિસ્તૃતમાં જોઈએ:

“શ્રીમતી સોનીએ 7 1/2 લિટર દૂધ ખરીદ્યું. આ દૂધમાંથી 5 3/4 લિટરનો વપરાશ થયો હતો. તેની પાસે કેટલું દૂધ વધશે?”

આને “સબસ્ટ્રેક_ફ્રેકશન_મિક્ષ_ટાઈપ(7 1/2, 5 3/4)” સોલ્વર કોડનો ઉપયોગ કરીને ઉકેલી શકાય છે.

અમે નીચે મુજબના ઉકેલના સ્ટેપ મેળવીશું.

ઉકેલ

આપણે ઉકેલને બે સ્ટેપમાં ભાગ પાડી શકીએ છીએ.

1. સોલ્વર કોડનું અનુમાન
2. દલીલ નિષ્કર્ષણ

સોલ્વર કોડના અનુમાનમાં, અમે સોલ્વર કોડનું અનુમાન કરવાનો પ્રયાસ કરીએ છીએ જેનો ઉપયોગ કરીને આપેલ ગણિતની સમસ્યાઓ હલ કરી શકાય છે. દાખલા તરીકે, ઉપરોક્ત ઉદાહરણમાં, “સબસ્ટ્રેક_ફ્રેકશન_મિક્ષ_ટાઈપ” એ સાચો સોલ્વર હતો જેનો ઉપયોગ કરીને આપેલ સમસ્યા હલ કરી શકાય છે. અમે T5[1] જેવા ડીપ લર્નિંગ જનરેટિવ seq2seq મોડલનો ઉપયોગ કરી શકીએ છીએ, જે સોલ્વર કોડ જનરેટ કરી શકે છે જે સમસ્યાને હલ કરશે.

આપણે બીજા સ્ટેપ પર જઈએ તે પહેલાં, અમારી પાસે દરેક સોલ્વર કોડ માટે દલીલો સાથે 1 નમૂનાનું સોલ્વર હોવું જરૂરી છે. ઉદાહરણ તરીકે, “સબસ્ટ્રેક_ફ્રેકશન_મિક્ષ_ટાઈપ” માટે સેમ્પલ સોલ્વર “સબસ્ટ્રેક_ફ્રેકશન_મિક્ષ_ટાઈપ(1 2/3, 4 5/6)” જેવું કંઈક હોઈ શકે છે. આ કેવી રીતે ઉપયોગી થશે, તે આપણે ટૂંક સમયમાં શોધીશું.

એકવાર અમને અનુમાનિત સોલ્વર કોડ મળી જાય કે જેનો ઉપયોગ કરીને આપેલ સમસ્યા હલ કરી શકાય છે, અમારે પ્રશ્નમાંથી દલીલો મેળવવાની જરૂર છે. તેના માટે પણ, અમે T5[1] જેવા જનરેટિવ seq2seq મોડલનો ઉપયોગ કરી શકીએ છીએ. નોલજ ગ્રાફમાં કેપ્ચર કરાયેલા અર્થપૂર્ણ સંબંધોનો લાભ લેવા માટે આવા ભાષા મોડેલોને નોલેજ ઇન્ફ્યુઝન આર્કિટેક્ચર સાથે વધુ વિસ્તૃત કરવામાં આવે છે [3][4]. અમે પ્રોબ્લેમ સ્ટેટમેન્ટ અને અનુમાનિત સોલ્વર માટે સેમ્પલ સોલ્વર આપી શકીએ છીએ. અને અમને T5[1] મોડેલના પ્રશ્નોમાંથી વાસ્તવિક દલીલો સાથે સોલ્વર કોડ મળશે. તેથી અંતે આપણી પાસે દલીલો સાથે સોલ્વર કોડ હશે એટલે કે ઉપરના ઉદાહરણમાંથી “સબસ્ટ્રેક_ફ્રેકશન_મિક્ષ_ટાઈપ(7 1/2, 5 3/4)”.

પ્રશ્નમાંથી દલીલો મેળવવા માટે અમે અન્ય પ્રમાણમાં સરળ પદ્ધતિઓનો પણ ઉપયોગ કરી શકીએ છીએ. જેમ કે, જો અમારી પાસે દરેક સોલ્વર માટે દલીલોના ડેટા પ્રકારો અને નમૂનાઓ હોય, જે આપણા કિસ્સામાં અમારી પાસે છે, તો અમે પ્રશ્નમાંથી સમાન સંખ્યાઓ મેળવવાનો પ્રયાસ કરી શકીએ છીએ.

આ રીતે આપણે સોલ્વર કોડનું અનુમાન કરીશું અને પ્રશ્નમાંથી સોલ્વર દલીલો મેળવીશું. એકવાર આપણે તે બંને મેળવી લઈએ, પછી સાચો જવાબ અને સ્ટેપ મુજબના ઉકેલ મેળવવા માટે અમારે માત્ર સોલ્વર કોડનું મૂલ્યાંકન કરવાની જરૂર છે.

સંદર્ભ

[1] કોલિન રાફેલ, નોઆમ શેઝીર, એડમ રોબર્ટ, કેથરીન લી, શરણ નારંગ, માઈકલ માટેના, યાન્કી ઝોઉ, વેઈ લી, પીટર જે. લિયુ.  “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer”

[2] અમિની, આઈડા, સાદિયા ગેબ્રિયલ, પીટર લિન, રિક કોન્સેલ-કેડઝિઓર્સ્કી, યેજિન ચોઈ અને હન્નાનેહ હાજીશિર્ઝી. “MathQA: Towards interpretable math word problem solving with operation-based formalisms.” arXiv preprint arXiv:1905.13319 (2019).

[3] ફાલદુ, કેયુર, અમિત શેઠ, પ્રશાંત કિકાણી અને હેમાંગ અકબરી. “KI-BERT: વધુ સારી ભાષા અને ડોમેન સમજણ માટે નોલેજ સંદર્ભનો સમાવેશ.” aarXiv preprint arXiv:2104.08145 (2021).

[4] ગૌર, માનસ, કેયુર ફાલદુ અને અમિત શેઠ. “બ્લેક-બોક્સના અર્થશાસ્ત્ર: શું નોલેજ ગ્રાફ ડીપ લર્નિંગ સિસ્ટમને વધુ અર્થઘટન અને સમજાવી શકાય તેવું બનાવવામાં મદદ કરી શકે છે?.” IEEE ઇન્ટરનેટ કમ્પ્યુટિંગ 25, નં. 1 (2021): 51-59.