ಮೆಟಾ-ಟ್ಯಾಗ್‌ಗಳ ರ್‍ಯಾಂಕರ್

ಮೆಟಾಟ್ಯಾಗ್‌ಗಳ ರ್‍ಯಾಂಕರ್

ಶಿಕ್ಷಣ ತಂತ್ರಜ್ಞಾನ ಕ್ಷೇತ್ರದಲ್ಲಿ, ವಿಷಯವಸ್ತುವನ್ನು ಪ್ರವೇಶಿಸಲು ಮತ್ತು ಪತ್ತೆಹಚ್ಚಲು ಎಲ್ಲಾ ಬಳಕೆದಾರರಿಗೆ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಸಾಧ್ಯವಾಗುವಂತೆ ಮಾಡುವುದು ಒಂದು ಪ್ರಮುಖ ಕಾರ್ಯವಾಗಿದೆ. ಅದನ್ನು ಮಾಡುವ ಸಲುವಾಗಿ, ಉತ್ಪನ್ನಗಳ ಒಟ್ಟಾರೆ ಬಳಕೆದಾರರ ಅನುಭವದೊಂದಿಗೆ ಜೋಡಿಸಲಾದ ಸಂಬಂಧಿತ ಟ್ಯಾಗ್‌ಗಳಿಂದಲೇ ವಿಷಯವನ್ನು ಟ್ಯಾಗ್ ಮಾಡುವಂತೆ ಕಂಪನಿಗಳು ಮಾನವ ಟಿಪ್ಪಣಿ ಬರಹಗಾರರನ್ನು ಅಥವಾ ವಿಷಯ ತಜ್ಞರನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತವೆ.

Embibe ನ ನಾಲೆಡ್ಜ್ ಗ್ರಾಫ್ 74,000+ ಜಾಲ ಘಟಕಗಳನ್ನು ಹೊಂದಿದೆ, ಪ್ರತಿಯೊಂದೂ ಜ್ಞಾನದ ಪ್ರತ್ಯೇಕ ಘಟಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, 1,89,380 ಪರಸ್ಪರಸಂಪರ್ಕಗಳು ಮತ್ತು 2,15,062 ಸಾಮರ್ಥ್ಯಗಳಿವೆ. ನೂರಾರು ಪಠ್ಯಕ್ರಮಗಳಾದ್ಯಂತ ಸಾವಿರಾರು ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಕಂಟೆಂಟ್ ಅನ್ನು ವಿಸ್ತರಿಸಿದಂತೆ, ಟ್ಯಾಗ್ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯು ಹೆಚ್ಚು ದುಬಾರಿ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಇನ್ನೂ ಹೆಚ್ಚಾಗಿ, ಡೇಟಾಸೆಟ್‌ನ ದೈಹಿಕ ಶ್ರಮದ ಟ್ಯಾಗಿಂಗ್ ಆದಾಗ ಯಾವಾಗಲೂ ಮಾನವ ಪಕ್ಷಪಾತವು ಹರಿದಾಡುತ್ತದೆ ಏಕೆಂದರೆ ಡೇಟಾಸೆಟ್‌ನ ವಿವಿಧ ಉಪವಿಭಾಗಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಅನೇಕ ಮಾನವ ಟಿಪ್ಪಣಿಕಾರರು ಇರುತ್ತಾರೆ.

ಮೆಟಾಟ್ಯಾಗ್‌ಗಳ ರ್‍ಯಾಂಕರ್ ಸಾಧನವನ್ನು ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆಯ ಆಧಾರಿತವಾದ ಮಾದರಿಗಳ ಮೇಲಿನಿಂದ ರಚಿಸಲಾಗಿದೆ. ಮಾನವರಂತೆಯೇ ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಂಪ್ಯೂಟರ್‌ಗಳಿಗೆ ನೀಡುವುದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಮೆಟಾಟ್ಯಾಗ್‍ಗಳ ರ್‍ಯಾಂಕರ್ ಎಂಬ ಸಾಧನವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಶಾಖೆಯಾಗಿದೆ. ಮೆಟಾಟ್ಯಾಗ್ಸ್ ರ‍್ಯಾಂಕರ್ ಎನ್ನುವುದು ವಿಷಯ ತಜ್ಞರಿಗಾಗಿ ನಿರ್ಮಿಸಲಾದ ಸಾಧನವಾಗಿದೆ, ಇದು Embibe ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಿಂದ ಬೆಂಬಲಿತವಾಗಿರುವ ಎಲ್ಲಾ ಗುರಿಗಳಿಗಾಗಿ ವಿಷಯ, ಘಟಕ, ಅಧ್ಯಾಯ, ಟಾಪಿಕ್ ಮತ್ತು ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗಳ ಪರಿಕಲ್ಪನೆಯನ್ನು ಟ್ಯಾಗ್ ಮಾಡಲು ಸಲಹೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಇದು ಕ್ಲಿಷ್ಟತಾ ಮಟ್ಟ, ಆದರ್ಶ ಸಮಯ ಮತ್ತು ಪ್ರಶ್ನೆಯ ವಿಕಸಿಸುವ ಮಟ್ಟಕ್ಕೆ ಸಲಹೆಗಳನ್ನು ಸಹ ಒದಗಿಸುತ್ತದೆ.

ಎರಡು ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸೋಣ.

ಮೆಟಾಟ್ಯಾಗ್ಸ್ ರ್‍ಯಾಂಕರ್ ಅತ್ಯಂತ ಬಹುತರಗತಿ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆ (XMC) [1][2] ಅನ್ನು ಆಧರಿಸಿದೆ. Embibe ಗಾಗಿ, ಯಾವುದೇ ನೀಡಲಾದ ಪ್ರಶ್ನೆಗೆ 74,000+ ತರಗತಿಗಳು ಅಥವಾ ಪರಿಕಲ್ಪನೆಗಳಿವೆ. ವರ್ಗಗಳು ಪರಸ್ಪರ ಪ್ರತ್ಯೇಕವಾಗಿಲ್ಲ ಅಂದರೆ, ಪರಿಕಲ್ಪನೆಗಳು ಶಬ್ದಾರ್ಥವಾಗಿ ಸಹಜವಾಗಿ ಪಸರಿಸುತ್ತವೆ. XMC ಗೆ ಇರುವ ಇನ್ನೊಂದು ಸವಾಲು ಡೇಟಾಸೆಟ್‌ನ ವಿತರಣೆಯಾಗಿದೆ. ಎಲ್ಲಾ ವರ್ಗಗಳು ಅಥವಾ ಪರಿಕಲ್ಪನೆಗಳು ಸಾಕಷ್ಟು ಸಂಖ್ಯೆಯ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ ಅಂದರೆ, ಕೆಲವು ವರ್ಗಗಳು ಹಲವಾರು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದರೆ ಇತರವುಗಳು ಕೆಲವೇ ಕೆಲವು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳೊಂದಿಗೆ ಮಾದರಿ ಭವಿಷ್ಯದಿಂದ ನಿರ್ಲಕ್ಷಿಸಲ್ಪಡುವ ತರಗತಿಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಮೆಟಾಟ್ಯಾಗ್‌ಗಳ ರ್‍ಯಾಂಕರ್ ನೈಸರ್ಗಿಕ ಭಾಷಾ ತಿಳುವಳಿಕೆಗಾಗಿ ಅತ್ಯಾಧುನಿಕ ಅಗಾಧ ಕಲಿಕೆಯ ತಂತ್ರಗಳನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. ಇದು ನರ ಮಾದರಿಗಳ ತರಬೇತಿಯಲ್ಲಿ ನಾಲೆಡ್ಜ್ ಗ್ರಾಫ್ ಅನ್ನು ಸಹ ನಿಯಂತ್ರಿಸುತ್ತದೆ [3]. ಮಾದರಿಯಿಂದ ವಿವರಿಸಬಹುದಾದ ಮತ್ತು ಅರ್ಥೈಸಬಹುದಾದ ಮುನ್ನೋಟಗಳು ಉತ್ಪಾದನಾ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಈ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿಯೋಜಿಸಲು ಶಿಕ್ಷಣತಜ್ಞರ ನಂಬಿಕೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ [4][5]. ಅಂತಹ ಪುಷ್ಟೀಕರಿಸಿದ ಕಂಟೆಂಟ್ ಸ್ವಯಂ ಟೆಸ್ಟ್ ರಚನೆಯನ್ನು [5][7] ಮತ್ತು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ತಲುಪಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು [6] ಸಶಕ್ತಗೊಳಿಸುತ್ತದೆ.

ಮೆಟಾ ಟ್ಯಾಗ್ ಜನರೇಟರ್ ಪುಸ್ತಕಗಳು, ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಕಲಿಕೆಯ ವಿಡಿಯೋಗಳಿಗಾಗಿ AI ಜೊತೆಗೆ ಸಾವಿರಾರು ಗಂಟೆಗಳ ದೈಹಿಕ ಶ್ರಮದಿಂದ ಕೂಡಿದ ಟ್ಯಾಗ್ ಉತ್ಪಾದನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಉಳಿಸಿದೆ. ಇದು ವಿವಿಧ ಗ್ರೇಡ್‌ಗಳು ಮತ್ತು ವಿಷಯಗಳಿಗೆ ವಿಷಯದ ಪರಿಣತಿಯ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆಗೊಳಿಸಿತು. Embibe ವಿಡಿಯೋ ಮತ್ತು 3D ಸ್ವತ್ತು ರಚನೆಗಾಗಿ ಧ್ವನಿ ಮೆಟಾಟ್ಯಾಗ್‌ಗಳನ್ನು ಸಹ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದೆ.

ಉಲ್ಲೇಖಗಳು:

[1] ಚಾಂಗ್, ವೀ-ಚೆಂಗ್, ಹ್ಸಿಯಾಂಗ್-ಫು ಯು, ಕೈ ಜಾಂಗ್, ಯಿಮಿಂಗ್ ಯಾಂಗ್, ಮತ್ತು ಇಂದರ್‌ಜಿತ್ ಎಸ್. ಧಿಲ್ಲೋನ್. “ಟೇಮಿಂಗ್ ಪ್ರೀಟ್ರೈನ್ಡ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಫಾರ್ ಎಕ್ಸ್‌ಟ್ರೀಮ್ ಮಲ್ಟಿ-ಲೇಬಲ್ ಟೆಕ್ಸ್ಟ್ ಕ್ಲಾಸಿಫಿಕೇಶನ್.” 26ನೇ ACM SIGKDD ಇಂಟರ್ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ನಾಲೆಡ್ಜ್ ಡಿಸ್ಕವರಿ & ಡಾಟಾ ಮೈನಿಂಗ್, pp. 3163-3171 ನ ಪ್ರೊಸೀಡಿಂಗ್ಸ್‌. 2020.

[2] ದಹಿಯಾ, ಕುನಾಲ್, ದೀಪಕ್ ಸೈನಿ, ಅನ್ಶುಲ್ ಮಿತ್ತಲ್, ಅಂಕುಶ್ ಶಾ, ಕುಶಾಲ್ ದವೆ, ಅಕ್ಷಯ್ ಸೋನಿ, ಹಿಮಾಂಶು ಜೈನ್, ಸುಮೀತ್ ಅಗರ್‌ವಾಲ್ ಮತ್ತು ಮಾಣಿಕ್ ವರ್ಮಾ. “DeepXML: ಎ ಡೀಪ್ ಎಕ್ಸ್‌ಟ್ರೀಮ್ ಮಲ್ಟಿ-ಲೇಬಲ್ ಲರ್ನಿಂಗ್ ಫ್ರೇಮ್‌ವರ್ಕ್ ಅಪ್ಲೈಡ್ ಟು ಶಾರ್ಟ್ ಟೆಕ್ಸ್ಟ್ ಡಾಕ್ಯುಮೆಂಟ್ಸ್.” ವೆಬ್ ಸರ್ಚ್ ಮತ್ತು ಡೇಟಾ ಮೈನಿಂಗ್‌ನಲ್ಲಿನ 14 ನೇ ACM ಇಂಟರ್‌ನ್ಯಾಶನಲ್ ಕಾನ್ಫರೆನ್ಸ್‌ನ ಪ್ರೊಸೀಡಿಂಗ್ಸ್‌ನಲ್ಲಿ, pp. 31-39. 2021.[arXiv]

[3] ಫಾಲ್ಡು, ಕೆಯೂರ್, ಅಮಿತ್ ಶೇಠ್, ಪ್ರಶಾಂತ್ ಕಿಕಾನಿ ಮತ್ತು ಹೇಮಾಂಗ್ ಅಕಬರಿ. “KI-BERT: ಇನ್‌ಫ್ಯೂಸಿಂಗ್ ನಾಲೆಜ್ ಕಾಂಟೆಕ್ಸ್ಟ್ ಫಾರ್ ಬೆಟರ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಅಂಡ್ ಡೊಮೇನ್ ಅಂಡರ್‌ಸ್ಟಾಂಡಿಂಗ್.” arXiv ಪ್ರಿಪ್ರಿಂಟ್ arXiv:2104.08145 (2021).

[4] ಗೌರ್, ಮಾನಸ್, ಕೆಯೂರ್ ಫಾಲ್ಡು ಮತ್ತು ಅಮಿತ್ ಶೇತ್. ” ಸೆಮಾಂಟಿಕ್ಸ್ ಆಫ್‌ ದಿ ಬ್ಲಾಕ್-ಬಾಕ್ಸ್: ಕ್ಯಾನ್ ನಾಲೆಜ್ ಗ್ರಾಫ್ಸ್ ಹೆಲ್ಪ್ ಮೇಕ್ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಸಿಸ್ಟಮ್ಸ್ ಮೋರ್ ಇಂಟರ್‌ಪ್ರೆಟೆಬಲ್ ಅಂಡ್ ಎಕ್ಸಪ್ಲೈನಬಲ್‌?.” IEEE ಇಂಟರ್ನೆಟ್ ಕಂಪ್ಯೂಟಿಂಗ್ 25, ನಂ. 1 (2021): 51-59.

[5] ಧವಲಾ, ಸೋಮಾ, ಚಿರಾಗ್ ಭಾಟಿಯಾ, ಜಾಯ್ ಬೋಸ್, ಕೆಯೂರ್ ಫಾಲ್ಡು, ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಆಟೋ ಜನರೇಶನ್ ಆಫ್‌ ಡೈಯಾಗ್ನೋಸ್ಟಿಕ್ ಅಸೆಸ್‌ಮೆಂಟ್‌ ಅಂಡ್ ಧೇರ್ ಕ್ವಾಲಿಟಿ ಎವಲ್ಯೂಯೇಷನ್.” ಇಂಟರ್ನ್ಯಾಷನಲ್ ಎಜುಕೇಷನಲ್ ಡಾಟಾ ಮೈನಿಂಗ್ ಸೊಸೈಟಿ (2020).

[6] ಫಾಲ್ಡು, ಕೆಯೂರ್, ಅದಿತಿ ಅವಸ್ತಿ ಮತ್ತು ಅಚಿಂತ್ ಥಾಮಸ್. “ಅಡಾಪ್ಟಿವ್ ಲರ್ನಿಂಗ್ ಮಷೀನ್ ಫಾರ್ ಸ್ಕೋರ್ ಇಂಪ್ರೂವ್ಮೆಂಟ್ ಅಂಡ್ ಪಾರ್ಟ್ಸ್ ಧೇರ್‌ಆಫ್‌.” U.S. ಪೇಟೆಂಟ್ 10,854,099, ಡಿಸೆಂಬರ್ 1, 2020 ರಂದು ನೀಡಲಾಗಿದೆ.

[7] ದೇಸಾಯಿ, ನಿಶಿತ್, ಕೆಯೂರ್ ಫಾಲ್ಡು, ಅಚಿಂತ್ ಥಾಮಸ್, ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಸಿಸ್ಟಮ್ ಅಂಡ್ ಮೆಥಡ್ ಫಾರ್ ಜೆನೆರೇಟಿಂಗ್ ಆನ್‌ ಅಸೆಸ್‌ಮೆಂಟ್ ಪೇಪರ್ ಅಂಡ್ ಮೆಷರಿಂಗ್ ದಿ ಕ್ವಾಲಿಟಿ ಧೇರ್‌ಆಫ್‌.” U.S. ಪೇಟೆಂಟ್ ಅಪ್ಲಿಕೇಶನ್ 16/684,434, ಅಕ್ಟೋಬರ್ 1, 2020 ರಂದು ಸಲ್ಲಿಸಲಾಗಿದೆ.”