ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ

ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ

Emibibe ನಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಪಯಣವನ್ನು ಸಬಲೀಕರಿಸಲು ನಾವು ಬದ್ಧರಾಗಿದ್ದೇವೆ. ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ (ನಾಲೆಜ್ ಬಡಿ) ಎನ್ನುವುದು ಒಂದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಚಾಟ್‌ಬಾಟ್ ಆಗಿದೆ. ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮ ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು ಹಾಗೂ ಸಂದೇಹ ಪರಿಹಾರವನ್ನು ಬಳಸುವ ಮೂಲಕ ತಮ್ಮ ಕಲಿಕೆಯ ಮಟ್ಟವನ್ನು ಪರಿಷ್ಕರಿಸುವಲ್ಲಿ ಈ ಚಾಟ್‌ಬಾಟ್ ಸಹಾಯ ಮಾಡುತ್ತದೆ.  

ಸ್ವಯಂ ಪ್ರಶ್ನೆ ಸೃಷ್ಟಿಸುವುದಕ್ಕೆ ಮತ್ತು ಉತ್ತರಿಸುವುದಕ್ಕೆಂದು ಆಳವಾದ ಕಲಿಕಾ ಮಾದರಿಗಳನ್ನು ಪೂರೈಸುವ ರೀತಿಯಲ್ಲಿ ಸ್ಪಷ್ಟವಾದ ವಿಷಯವಸ್ತುವಿನ ಜ್ಞಾನದ ಪೂರಕ ಪ್ರಧಾನಾಂಶವಾಗಿದೆ. ಒಂದು ವಿಷಯದ ಬಗ್ಗೆ ಒಬ್ಬ ವಿದ್ಯಾರ್ಥಿಗೆ ಇರಬೇಕಾದ ಬುದ್ಧಿವಂತಿಕೆಯ ಬೆನ್ನೆಲುಬಿನಂತೆ Emibibe ನ ಜ್ಞಾನ ನಕ್ಷೆ ಸಹಕಾರಿಯಾಗಿದೆ. ಇದು ಲಕ್ಷಾಂತರಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಸಂಬಂಧಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರಸ್ಪರ ಸಂಪರ್ಕದಲ್ಲಿರುವ ಸಾವಿರಾರು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಮತ್ತು ಸಕ್ಷಮತೆಗಳನ್ನು ಈ ನಕ್ಷೆ ಹೊಂದಿದೆ.

ಸಂವಾದಾತ್ಮಕ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಅತ್ಯಾಧುನಿಕ ಭಾಷೆ ಮತ್ತು ದೃಷ್ಟಿ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ ಜ್ಞಾನ ಆಪ್ತಮಿತ್ರನನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಇದು ಬುದ್ಧಿವಂತ ಸಂಭಾಷಣೆಗಳನ್ನು ರಚಿಸಲು ಈ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ಶೈಕ್ಷಣಿಕ ಜ್ಞಾನ ನಕ್ಷೆಗಳನ್ನು ತುಂಬುತ್ತದೆ. ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ ಎಂಬುದು:

1. ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಇತಿಹಾಸವನ್ನು ಆಧರಿಸಿ ಸ್ವಯಂ-ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುತ್ತದೆ.
2. ವಿದ್ಯಾರ್ಥಿಯು ಕಲಿಯುವ ವಿಷಯದಲ್ಲಿ ತನ್ಮಯನಾದಾಗ ಆತನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುತ್ತದೆ.
3. ಹೆಚ್ಚಿನ ರೀತಿಯ ಪ್ರಶ್ನೆಗಳನ್ನು ವಿವರವಾದ ಪರಿಹಾರಗಳೊಂದಿಗೆ ಹಿಂಪಡೆಯುವ ಮೂಲಕ ವಿದ್ಯಾರ್ಥಿಯ ಸಂದೇಹಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ.
   

ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರನ ಸಾಮರ್ಥ್ಯಗಳ ಉದಾಹರಣೆಗಳನ್ನು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.

ಚಿತ್ರ 1: ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ ಪ್ರಶ್ನೆ ಉತ್ಪಾದನೆ, ಉತ್ತರ ನೀಡುವುದು ಮತ್ತು ಅನುವಾದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತೋರಿಸುತ್ತಿರುವುದು.

1. ಪ್ರಶ್ನೆ ಹುಟ್ಟುಹಾಕುವುದು (QG)

ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಹುಟ್ಟುಹಾಕುವ ಸಾಮರ್ಥ್ಯವು ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ತೊಡಗಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ಅವರ ಪರಿಕಲ್ಪನೆಗಳ ಪಾಂಡಿತ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು ಅವಕಾಶವನ್ನು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಾವು T5, UniLM, ಇತ್ಯಾದಿಗಳಂತಹ ಅತ್ಯಾಧುನಿಕ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ವಿಸ್ತರಿಸಿದ್ದೇವೆ ಮತ್ತು ARC, DROP, QASC, SciQ, SciTail, SQUAD, HotpotQA, ಇತ್ಯಾದಿ ಮತ್ತು ಏಂಬಿಬೆ ಮಾಲೀಕತ್ವದ ಡೇಟಾಸೆಟ್‌ಗಳಂತಹ ಲಭ್ಯವಿರುವ ಸಂಶೋಧನಾ ಡೇಟಾಸೆಟ್‌ಗಳ ಕುರಿತು ಅವರಿಗೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ. ನಾವು ಬೂಲನ್, ಸ್ಪ್ಯಾನ್-ಆಧಾರಿತ, ಖಾಲಿ ಸ್ಥಳಗಳನ್ನು ತುಂಬುವುದು, ಬಹು ಆಯ್ಕೆಯ ಪ್ರಶ್ನೆಗಳು, ಇತ್ಯಾದಿಗಳಂತಹ ಬಹು ಪ್ರಕಾರದ ಪ್ರಶ್ನೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತೇವೆ. ಈ-ಏರ್ಟ್ [3] ನಂತಹ ವಾಸ್ತುಶಿಲ್ಪಗಳೊಂದಿಗೆ ಶೈಕ್ಷಣಿಕ ಜ್ಞಾನದ ನಕ್ಷೆಗಳಿಂದ ನಾವು ಜ್ಞಾನದ ಒಳಹರಿವನ್ನು ಹತೋಟಿಗೆ ತರುತ್ತೇವೆ. ಜ್ಞಾನದ ನಕ್ಷೆಗಳೊಂದಿಗೆ ವೃದ್ಧಿಸುವ ಸಹಾಯದಿಂದ ಮಾದರಿಗಳು ಉತ್ತಮವಾಗಿ ಅರ್ಥೈಸಬಲ್ಲವು ಮತ್ತು ವಿವರಿಸಬಲ್ಲವು ಎಂದು ನಾವು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುತ್ತೇವೆ [4][6][7]. ನಮ್ಮ ಮಾದರಿಗಳು ಅಸ್ತಿತ್ವದ ಅರಿವು ಗಮನ ಕಾರ್ಯವಿಧಾನಗಳ ಸಹಾಯದಿಂದ ಮಲ್ಟಿ-ಹಾಪ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಸಹ ರಚಿಸುತ್ತವೆ. ಪ್ರಶ್ನೆ ಹುಟ್ಟುಹಾಕುವ ಮಾದರಿಯು ಕಲಿಕೆಯ ಸಂದರ್ಭವನ್ನು ಊಡಿಕೆಯಂತೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಬಯಸಿದ ಪ್ರಶ್ನೆ ಪ್ರಕಾರಕ್ಕಾಗಿ ಪ್ರಾಂಪ್ಟ್, ಮತ್ತು ಇತರ ಪ್ರಶ್ನೆ ಪ್ರಕಾರದ ನಿರ್ದಿಷ್ಟ ಮೆಟಾಡೇಟಾವನ್ನು ಊಡಿಕೆಯಂತೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಪ್ರಶ್ನೆಗಳನ್ನು ಹುಟ್ಟುಹಾಕಲು ನಾವು ಬೀಮ್ ಸರ್ಚ್ ಮತ್ತು ನ್ಯೂಕ್ಲಿಯಸ್ ಮಾದರಿ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತೇವೆ.

2. ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವುದು (QA)

ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಪಯಣವು ದಿಢೀರನೆ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವಾಗ ಸಕಾರಾತ್ಮಕವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕಾ ಚಟುವಟಿಕೆಯು ಅವರ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಿದಾಗ ಮತ್ತು ಅವು ಎದ್ದಾಗ ಪರಿಹರಿಸುವುದು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತದೆ. ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಲು ಅಧಿಕಾರ ನೀಡುತ್ತದೆ, ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಉತ್ತರಿಸಲಾಗುತ್ತದೆ. T5, UniLM ಇತ್ಯಾದಿಗಳಂತಹ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಮೂಲಕ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಹಿಂದಿನ ವಿಭಾಗಗಳಲ್ಲಿ ಉಲ್ಲೇಖಿಸಲಾದ ಸಂಶೋಧನಾ ಡೇಟಾಸೆಟ್‌ಗಳು ಮತ್ತು Embibe ಮಾಲೀಕತ್ವದ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ಸಮರ್ಥವಾಗಿ ಕೆಲಸ ಮಾಡುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ. ಆಯ್ದ ಪಠ್ಯ, ಅಧ್ಯಾಯ, ಪುಸ್ತಕ ಅಥವಾ ಪಠ್ಯಕ್ರಮದಂತಹ ವಿಭಿನ್ನ ಸಂದರ್ಭ-ಪ್ರಕಾರಗಳಿಂದ ಬಳಕೆದಾರರು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು. ನಮ್ಮ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ವ್ಯವಸ್ಥೆಯು ದಟ್ಟವಾದ ವೆಕ್ಟಾರ್ ಶಬ್ದಾರ್ಥದ ಹೋಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸಂದರ್ಭ-ವಿಧಗಳ ಆಧಾರದ ಮೇಲೆ ಸಂಬಂಧಿತ ಸಂದರ್ಭವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಉತ್ತರವನ್ನು ಊಹಿಸಲು ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಮಾದರಿಯನ್ನು ಆಹ್ವಾನಿಸುತ್ತದೆ. ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ ನಿರಂತರವಾಗಿ ನಮ್ಮ ಮಾದರಿಯನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಮ್ಮ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಮಾದರಿಯು ಎಷ್ಟು ಮುಂದುವರಿದಿದೆ ಎಂದರೆ ಅದು NEET ಪ್ರವೇಶ ಪರೀಕ್ಷೆಯನ್ನು ಸ್ವತಃ ಭೇದಿಸಬಹುದು.

3. ಮಾತೃ ಭಾಷೆಗಳಲ್ಲಿ ಅನುವಾದ (VT)

ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ ಬಹು ಭಾಷೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರ ಆದ್ಯತೆಗಳ ಆಧಾರದ ಮೇಲೆ ಸಂಪೂರ್ಣ ಸಂಭಾಷಣೆಯು ಯಾವುದೇ ಮಾತೃ ಭಾಷೆಯಲ್ಲಿರಬಹುದು. ಇದು ಯಾವುದೇ ಪೂರ್ವ-ನಿರ್ಧರಿತ ಭಾಷೆಯಲ್ಲಿ ಸ್ವಯಂ-ರಚಿಸಿದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು ಮತ್ತು ಅದೇ ಭಾಷೆಯಲ್ಲಿ ಉತ್ತರಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು. ನಾವು ಸ್ಥಳೀಯವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ NMT ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತೇವೆ ಅದು ಸಾಮಾನ್ಯ ಅನುವಾದಕ್ಕಾಗಿ ಇತರೆ ಆಫ್-ದಿ-ಶೆಲ್ಫ್ ಮೋಡ್‌ಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ. ಪ್ರಸ್ತುತ, ನಾವು ಚಾಟ್‌ಬಾಟ್‌ನಲ್ಲಿ 11 ಭಾರತೀಯ ಭಾಷೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ಹಿಂದಿ, ಗುಜರಾತಿ, ಮರಾಠಿ, ತಮಿಳು, ತೆಲುಗು, ಬೆಂಗಾಲಿ, ಕನ್ನಡ, ಅಸ್ಸಾಮಿ, ಒರಿಯಾ, ಪಂಜಾಬಿ ಮತ್ತು ಮಲಯಾಳಂ ಸೇರಿವೆ. ಶೈಕ್ಷಣಿಕ ಡೊಮೇನ್ ನಿರ್ದಿಷ್ಟತೆಯ ಕಾರಣದಿಂದಾಗಿ ನಮ್ಮ ಸ್ಥಳೀಯವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮಾದರಿಗಳು Google ಅನುವಾದದಂತಹ ಮೂರನೇಯವರ API ಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ.

ಗೂಗಲ್ ಅನುವಾದಕ್ಕಿಂತ ನಮ್ಮ ಅನುವಾದವು ಉತ್ತಮವಾಗಿರುವ ಕೆಲವು ಉದಾಹರಣೆಗಳನ್ನು ನಾವು ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ನೋಡಬಹುದು:

English	Google Translation	Knowledge Buddy Translation
which of the following law was given by Einstein:	ಈ ಕೆಳಗಿನ ಯಾವ ಕಾನೂನನ್ನು ಐನ್‌ಸ್ಟೈನ್ ನೀಡಿದರು:	निम्नलिखित में से कौन सा नियम आइंस्टीन द्वारा दिया गया था:
which one of the following is not alkaline earth metal?	ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಕ್ಷಾರೀಯ ಭೂಮಿಯ ಲೋಹವಲ್ಲ?	निम्नलिखित में से कौन सा क्षारीय मृदा धातु नहीं है?
Endogenous antigens are produced by intra-cellular bacteria within a host cell.	ಅಂತರ್ವರ್ಧಕ ಪ್ರತಿಜನಕಗಳು ಆತಿಥೇಯ ಜೀವಕೋಶದೊಳಗಿನ ಜೀವಕೋಶದೊಳಗಿನ ಬ್ಯಾಕ್ಟೀರಿಯಾದಿಂದ ಉತ್ಪತ್ತಿಯಾಗುತ್ತವೆ.	अंतर्जात प्रतिजन एक परपोषी कोशिका के भीतर अंत: कोशिकीय जीवाणु द्वारा उत्पन्न किए जाते हैं।

ಕೋಷ್ಟಕ 1: Embibe ನ ಅನುವಾದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತೋರಿಸುವ ಉದಾಹರಣೆಗಳು.

ಒಟ್ಟು ಸಾರಾಂಶ, ಸಂವಾದಾತ್ಮಕ AI ಚಾಟ್‌ಬಾಟ್ ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರನು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ತಲುಪಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮೂಲಕ ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಪ್ರಯಾಣದ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಬಹುದು.  ಇದು ಪ್ರತಿ ಕಲಿಕೆಯ ಸೆಷನ್ ಬಳಿಕ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಅಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮ ಮಾತೃ ಭಾಷೆಗಳಲ್ಲಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು, ಅವರ ಅನುಮಾನಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು.  ಜ್ಞಾನದ ಆಪ್ತಮಿತ್ರ ನಮ್ಮ NLU ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮೇಧಾಸ್‌ನಿಂದ ನಡೆಸಲ್ಪಡುತ್ತದೆ, ಇದು ಡೊಮೇನ್ ಜ್ಞಾನದ ಒಳಹರಿವು, ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿವರಣೆಯನ್ನು ಮೂಲ ತತ್ವಗಳಾಗಿ [3][4][6][7][8] ತರುತ್ತದೆ.

ಡೆಮೊ ವಿಡಿಯೋ

ಉಲ್ಲೇಖಗಳು:

[1] Raffel, Colin, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, and Peter J. Liu. “Exploring the limits of transfer learning with a unified text-to-text transformer.” arXiv preprint arXiv:1910.10683 (2019).

[2] Dong, Li, Nan Yang, Wenhui Wang, Furu Wei, Xiaodong Liu, Yu Wang, Jianfeng Gao, Ming Zhou, and Hsiao-Wuen Hon. “Unified language model pre-training for natural language understanding and generation.” arXiv preprint arXiv:1905.03197 (2019).

[3] Faldu, Keyur, Amit Sheth, Prashant Kikani, and Hemang Akabari. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).

[4] Gaur, Manas, Keyur Faldu, and Amit Sheth. “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] Zhu, Fengbin, Wenqiang Lei, Chao Wang, Jianming Zheng, Soujanya Poria, and Tat-Seng Chua. “Retrieving and reading: A comprehensive survey on open-domain question answering.” arXiv preprint arXiv:2101.00774 (2021).

[6] Gaur, Manas, Ankit Desai, Keyur Faldu, and Amit Sheth. “Explainable AI Using Knowledge Graphs.” In ACM CoDS-COMAD Conference. 2020.

[7] Sheth, Amit, Manas Gaur, Kaushik Roy, and Keyur Faldu. “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 ಹೋಂಗೆ ಹಿಂತಿರುಗಿ