വിദ്യാർത്ഥികളുടെ പഠനത്തെ ശാക്തീകരിക്കാൻ Embibe  പ്രതിജ്ഞാബദ്ധമാണ് . ചോദ്യോത്തരവും സംശയ നിവാരണവും ഉപയോഗിച്ച് വിദ്യാർത്ഥികളെ അവർ ആർജിച്ചെടുത്ത അറിവിനെ  പരിഷ്കരിക്കാൻ സഹായിക്കുന്നതിന് നിർമ്മിച്ച ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ചാറ്റ്ബോട്ട് ആണ് നോളജ് ബഡ്ഡി. 

ചോദ്യങ്ങൾ സ്വയം  സൃഷ്ടിക്കുന്നതിനും ഉത്തരം നൽകുന്നതിനുമുള്ള ആഴത്തിലുള്ള പഠന മാതൃകകൾ പൂർത്തീകരിക്കുന്നതിന് വ്യക്തമായ വിഷയവ്യാപ്തി  പ്രധാനമാണ്. Emibibe ന്റെ നോളജ് ഗ്രാഫ് ഉള്ളടക്ക ഇന്റലിജൻസിന്റെ നട്ടെല്ലാണ്, ഇതിന് ഒരു ലക്ഷത്തിലധികം കണക്ഷനുകൾ ഉപയോഗിച്ച് പരസ്പരം ബന്ധിപ്പിച്ചിരിക്കുന്ന ആയിരക്കണക്കിന് ആശയങ്ങളും കഴിവുകളും ഉണ്ട്.

കോൺവെർസേഷണൽ  ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസും അത്യാധുനിക ഭാഷയും വിഷൻ മോഡലുകളും ഉപയോഗിച്ചാണ് നോളജ് ബഡ്ഡി നിർമ്മിച്ചിരിക്കുന്നത്. ബുദ്ധിപരമായ സംഭാഷണങ്ങൾ സൃഷ്ടിക്കുന്നതിനായി ഇത് അക്കാദമിക് വിജ്ഞാന ഗ്രാഫുകളിൽ നിന്ന് ഈ ആഴത്തിലുള്ള പഠന മാതൃകകളിലേക്ക് വിജ്ഞാന സന്ദർഭം സന്നിവേശിപ്പിക്കുന്നു.

നോളജ് ബഡ്ഡി താഴെ കൊടുക്കുന്ന കഴിവുകൾ വാഗ്ദാനം ചെയ്യുന്നു:

  1. വിദ്യാർത്ഥിയുടെ പഠനഫലങ്ങൾ വിലയിരുത്തുന്നതിന് ഒരു വിദ്യാർത്ഥിയുടെ മുൻകാല പഠനവിവരങ്ങളെ  അടിസ്ഥാനമാക്കി ചോദ്യങ്ങൾ സ്വയ൦  സൃഷ്ടിക്കുകയും ചോദിക്കുകയും ചെയ്യുന്നു.
  2. വിദ്യാർത്ഥി പഠന ഉള്ളടക്കവുമായി   സംവദിക്കുമ്പോൾ  വിദ്യാർത്ഥിയുടെ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു.
  3. ഉപഭോക്താക്കൾ താൽപര്യപ്പെടുന്ന  പ്രാദേശിക ഭാഷയിൽ ചോദ്യങ്ങളും ഉത്തരങ്ങളും സ്വയ൦  വിവർത്തനം ചെയ്യുന്നു .

നോളജ് ബഡ്ഡിയുടെ കഴിവുകളുടെ ഉദാഹരണങ്ങൾ ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്നു.

ചിത്രം 1: നോളജ് ബഡ്ഡിയുടെ ചോദ്യോത്തരങ്ങൾ, ഉത്തരം നൽകൽ, വിവർത്തന കഴിവുകൾ എന്നിവ പ്രകടിപ്പിക്കുന്നു
  1. ക്വസ്റ്റിൻ ജനറേഷൻ (QG)

സ്വയ൦  ചോദ്യങ്ങൾ സൃഷ്ടിക്കാനുള്ള കഴിവ് വിദ്യാർത്ഥികളുമായി ഇടപഴകാനും അവരുടെ ആശയങ്ങളുടെ വൈദഗ്ധ്യം വിലയിരുത്താനും അവസരം നൽകും. T5, UniLM, തുടങ്ങിയ അത്യാധുനിക ഭാഷാ മോഡലുകൾ ഞങ്ങൾ വിപുലീകരിച്ചു, കൂടാതെ ARC, DROP, QASC, SciQ, SciTail, SQUAD, HotpotQA, തുടങ്ങിയ ലഭ്യമായ ഗവേഷണ ഡാറ്റാസെറ്റുകളിലും Embibe-ന്റെ ഉടമസ്ഥതയിലുള്ള ഡാറ്റാസെറ്റുകളിലും അവരെ പരിശീലിപ്പിച്ചു. ബൂളിയൻ, സ്പാൻ അധിഷ്‌ഠിതം, വിട്ടു പോയവ പൂരിപ്പിക്കൽ, മൾട്ടിപ്പിൾ ചോയ്‌സ് ചോദ്യങ്ങൾ മുതലായവ പോലുള്ള ഒന്നിലധികം തരം ചോദ്യങ്ങളെ ഞങ്ങൾ പിന്തുണയ്‌ക്കുന്നു. KI-BERT [3] പോലുള്ള ആർക്കിടെക്ചറുകൾ ഉപയോഗിച്ച് ഞങ്ങൾ അക്കാദമിക് വിജ്ഞാന ഗ്രാഫുകളിൽ നിന്നുള്ള നോളജ്  ഇൻഫ്യൂഷൻ പ്രയോജനപ്പെടുത്തുന്നു. വിജ്ഞാന ഗ്രാഫുകൾ [4][6][7] സഹായത്തോടെ മോഡലുകൾ മികച്ച രീതിയിൽ വ്യാഖ്യാനിക്കാവുന്നതും വിശദീകരിക്കാവുന്നതുമാണെന്ന് ഞങ്ങൾ ഉറപ്പാക്കുന്നു. വ്യക്തികളെ തിരിച്ചറിയുന്ന   മെക്കാനിസങ്ങളുടെ സഹായത്തോടെ ഞങ്ങളുടെ മോഡലുകൾ മൾട്ടി-ഹോപ്പ് ചോദ്യങ്ങളും സൃഷ്ടിക്കുന്നു. ക്വസ്റ്റ്യൻ ജനറേഷൻ മോഡൽ പഠന സന്ദർഭം ഇൻപുട്ടായി എടുക്കുന്നു, ആവശ്യമുള്ള ചോദ്യ തരത്തിനായി ആവശ്യപ്പെടുന്നു, മറ്റ് ചോദ്യ തരം നിർദ്ദിഷ്ട മെറ്റാഡാറ്റ ഇൻപുട്ടായി എടുക്കുന്നു. ചോദ്യങ്ങൾ സൃഷ്ടിക്കാൻ ഞങ്ങൾ ബീം സെർച്ചും ന്യൂക്ലിയസ് സാമ്പിൾ രീതികളും ഉപയോഗിക്കുന്നു. 

  1. ചോദ്യോത്തരം (QA)

പെട്ടന്ന്  ചോദ്യത്തിന് ഉത്തരം നൽകാനുള്ള കഴിവ് ഉണ്ടാകുമ്പോൾ, വിദ്യാർത്ഥികളുടെ പഠന യാത്രയിൽ അത് നല്ല രീതിയിൽ സ്വാധീനം ചെലുത്തുന്നു. വിദ്യാർത്ഥികളുടെ ചോദ്യങ്ങൾക്ക് ഉത്തരം ലഭിക്കുമ്പോൾ അവരുടെ പഠന പ്രവർത്തനം ഫലപ്രദമാകും. നോളജ് ബഡ്ഡി ഏത് ചോദ്യവും ചോദിക്കാൻ വിദ്യാർത്ഥികളെ പ്രാപ്തരാക്കുന്നു, ചോദ്യോത്തര മാതൃകകൾ ഉപയോഗിച്ച് ഉത്തരം നൽകും. T5, UniLM മുതലായ പ്രീ-ട്രെയിൻഡ് ലാംഗ്വേജ് മോഡലുകൾ പ്രയോജനപ്പെടുത്തി, ഗവേഷണ ഡാറ്റാസെറ്റുകളിലും മുൻ വിഭാഗങ്ങളിൽ പരാമർശിച്ച Embibe ന്റെ ഉടമസ്ഥതയിലുള്ള ഡാറ്റാസെറ്റുകളിലും നന്നായി ട്യൂൺ ചെയ്തുകൊണ്ടാണ് ചോദ്യോത്തര മാതൃകകൾ പരിശീലിപ്പിക്കുന്നത്. ഉപയോക്താവിന്  തിരഞ്ഞെടുത്ത വാചകം, ഒരു അദ്ധ്യായം, ഒരു പുസ്തകം അല്ലെങ്കിൽ ഒരു പാഠ്യപദ്ധതി പോലെയുള്ള വ്യത്യസ്ത സന്ദർഭ-തരങ്ങളിൽ നിന്ന് ചോദ്യങ്ങൾ ചോദിക്കാൻ കഴിയും. ഡെൻസ്  വെക്റ്റർ സെമാന്റിക് സമാനത ഉപയോഗിച്ച് സന്ദർഭ-തരം അടിസ്ഥാനമാക്കി പ്രസക്തമായ സന്ദർഭം ഞങ്ങളുടെ ചോദ്യ ഉത്തര സംവിധാനം തിരഞ്ഞെടുക്കുകയും ഉത്തരം പ്രവചിക്കാൻ ഒരു ചോദ്യോത്തര മാതൃക ആവശ്യപ്പെടുകയും ചെയ്യുന്നു. ഫീഡ്‌ബാക്ക് ലൂപ്പ് ഞങ്ങളുടെ മോഡലിനെ മികച്ചതാക്കാൻ തുടർച്ചയായി സഹായിക്കും. ഞങ്ങളുടെ ചോദ്യോത്തര മാതൃക വളരെ പുരോഗമിച്ചതാണ്, അത് നീറ്റ് പ്രവേശന പരീക്ഷയെ സ്വയ൦  ക്രാക്ക് ചെയ്യുന്നു .

  1. പ്രാദേശിക ഭാഷകളിലെ വിവർത്തനം (VT)

നോളജ് ബഡ്ഡി ഒന്നിലധികം ഭാഷകളെ സപ്പോർട്ട് ചെയ്യുകയും   ഉപഭോക്താക്കളുടെ മുൻഗണനയെ  അടിസ്ഥാനമാക്കി പൂർണ്ണമായ സംഭാഷണം ഏതെങ്കിലും പ്രാദേശിക ഭാഷയിലാക്കുന്നു . മുൻകൂട്ടി നിർവചിച്ചിരിക്കുന്ന ഏത് ഭാഷയിലും ഇതിന് സ്വയ൦  സൃഷ്‌ടിച്ച ചോദ്യങ്ങൾ ചോദിക്കാനും അതേ ഭാഷയിൽ തന്നെ ഉത്തരങ്ങൾ വിലയിരുത്താനും ഇതിന് കഴിയും. ജനറിക് വിവർത്തനത്തിനായി മറ്റ് ഓഫ്-ദി-ഷെൽഫ് മോഡുകളെ മറികടക്കുന്ന പ്രാദേശികമായി   വികസിപ്പിച്ച NMT മോഡൽ ഞങ്ങൾ ഉപയോഗിക്കുന്നു. നിലവിൽ, ഹിന്ദി, ഗുജറാത്തി, മറാത്തി, തമിഴ്, തെലുങ്ക്, ബംഗാളി, കന്നഡ, ആസാമീസ്, ഒറിയ, പഞ്ചാബി, മലയാളം എന്നിവ ഉൾപ്പെടുന്ന 11 ഇന്ത്യൻ ഭാഷകളെ ഞങ്ങൾ ചാറ്റ്ബോട്ടിൽ സപ്പോർട്ട് ചെയ്യുന്നു . ഞങ്ങളുടെ പ്രാദേശികമായി വികസിപ്പിച്ച മോഡലുകൾ അക്കാദമിക് വിഷയങ്ങളുടെ  പ്രത്യേകതകൾ കാരണം Google Translate പോലുള്ള മൂന്നാം കക്ഷി API-കളെ മറികടക്കുന്നു.

ഞങ്ങളുടെ വിവർത്തനം ഗൂഗിൾ വിവർത്തനത്തേക്കാൾ മികച്ചതായ ചില ഉദാഹരണങ്ങൾ പട്ടിക 1 ൽ നമുക്ക് കാണാൻ കഴിയും:

Englishഗൂഗിൾ ട്രാൻസ്ലേഷൻ നോളജ് ബഡ്ഡി ട്രാൻസ്ലേഷൻ
which of the following law was given by Einstein:ഇനിപ്പറയുന്ന നിയമങ്ങളിൽ ഏതാണ് ഐൻസ്റ്റീൻ നൽകിയത്:താഴെ കൊടുത്തിരിക്കുന്ന നിയമങ്ങളിൽ ഏതാണ് ഐൻസ്റ്റീൻ നൽകിയത്:
which one of the following is not alkaline earth metal?ഇനിപ്പറയുന്നവയിൽ ഏതാണ് ആൽക്കലൈൻ എർത്ത് മെറ്റൽ അല്ലാത്തത്?താഴെ കൊടുത്തിരിക്കുന്നവയിൽ ഏതാണ് ആൽക്കലൈൻ എർത്ത് ലോഹം അല്ലാത്തത്?
Endogenous antigens are produced by intra-cellular bacteria within a host cell.ഒരു ഹോസ്റ്റ് സെല്ലിനുള്ളിലെ ഇൻട്രാ സെല്ലുലാർ ബാക്ടീരിയയാണ് എൻഡോജെനസ് ആന്റിജനുകൾ നിർമ്മിക്കുന്നത്.ഒരു ആതിഥേയ കോശത്തിനുള്ളിലെ കോശാന്തര ബാക്ടീരിയയാണ് എൻഡോജെനസ് ആന്റിജനുകൾ നിർമ്മിക്കുന്നത്.
പട്ടിക 1: Embibe ന്റെ വിവർത്തന കഴിവുകൾ തെളിയിക്കുന്ന ഉദാഹരണങ്ങൾ.

ചുരുക്കത്തിൽ, കോൺവെർസേഷണൽ AI ചാറ്റ്ബോട്ട് നോളജ് ബഡ്ഡി പഠന ഫലങ്ങൾ നൽകുന്നതിന് സഹായിക്കുന്നതിലൂടെ ഒരു വിദ്യാർത്ഥിയുടെ പഠന യാത്രയെ സ്വാധീനിക്കുന്നു. . ഓരോ പഠന സെഷനുശേഷവും വിദ്യാർത്ഥികൾക്ക് അവരുടെ സ്വന്തം ഭാഷകളിൽ ചോദ്യങ്ങൾ ചോദിക്കാനും അവരുടെ സംശയങ്ങൾ പരിഹരിക്കാനും ഇത് വിദ്യാർത്ഥികളെ സഹായിക്കും. ഞങ്ങളുടെ NLU പ്ലാറ്റ്‌ഫോമായ മേധാസ് ആണ് നോളജ് ബഡ്ഡി നൽകുന്നത്, അത് ഡൊമെയ്‌ൻ നോളജ് ഇൻഫ്യൂഷനും വ്യാഖ്യാനവും വിശദീകരണവും പ്രധാന അടിസ്ഥാന തത്വങ്ങളായി കൊണ്ടുവരുന്നു [3][4][6][7][8].

References:

[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 ഹോം-ലേക്ക് തിരിച്ച്