മേധാസ്

മേധാസ് എന്ന സംസ്കൃത പദത്തിന്റെ അർത്ഥം അറിവ്, ധാരണ, ബുദ്ധി എന്നിവയാണ്. ഒരു എഡ്‌ടെക് AI പ്ലാറ്റ്‌ഫോം നിർമ്മിക്കുന്നതിന് നാച്ചുറൽ ലാംഗ്വേജ് അണ്ടർസ്റ്റാന്റിംഗ് (NLU) പ്ലാറ്റ്‌ഫോം വളരെ പ്രധാനമാണ്. പഠന ഫലങ്ങൾ നേടുന്നതിന് വിദ്യാർത്ഥികൾക്ക് ആവശ്യമായ ഉള്ളടക്കം സമ്പുഷ്ടമാക്കുന്നതിനും ശുപാർശ ചെയ്യുന്നതിനും സൃഷ്ടിക്കുന്നതിനും വ്യാഖ്യാനിക്കാവുന്നതും വിശദീകരിക്കാവുന്നതുമായ പ്രവചനങ്ങളും  ഹൈപ്പർ ടാഗ് ചെയ്‌ത പഠനവും മൂല്യനിർണ്ണയ ഉള്ളടക്കവും സന്ദർഭോചിതമായ നോളജ് ഗ്രാഫുകളും NLU കഴിവുകൾ  പ്രാപ്‌തമാക്കുന്നു. ആർട്ട് പെർഫോമൻസുകളുടെ കല കൈവരിക്കാൻ ഇത് നേരിട്ട് സഹായിക്കുന്ന ചില ഉദാഹരണങ്ങളാണ് ചോദ്യം സൃഷ്ടിക്കൽ, ചോദ്യത്തിന് ഉത്തരം നൽകൽ, സംശയ നിവാരണം, ഇൻസ്റ്റാ സോൾവർ മുതലായവ പോലുള്ള ഉള്ളടക്ക ഇന്റലിജൻസ് ടാസ്‌ക്കുകൾ.

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഒരുപാട് മുന്നോട്ട് പോയിരിക്കുന്നു. വിശാലമായ ഡൊമെയ്ൻ ആപ്ലിക്കേഷനുകളിലെ സാധ്യതകൾക്കുള്ള ഒരു ഉറച്ച തെളിവാണ്  ആഴത്തിലുള്ള പഠന സാങ്കേതിക വിദ്യകൾ. എന്നിരുന്നാലും, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ നിലവിലെ അവസ്ഥയിൽ ആധിപത്യം പുലർത്തുന്നത് പരിശീലന ഡാറ്റയിൽ സ്ഥിതിവിവരക്കണക്ക് പിടിച്ചെടുക്കുന്ന ഒളിഞ്ഞിരിക്കുന്ന പാറ്റേണുകൾ പഠിക്കുന്നതിലൂടെ പരിശീലിപ്പിച്ച ബ്ലാക്ക്-ബോക്സ് മോഡലുകളാണ്. ഈ മോഡലുകൾ വിശദീകരിക്കാനാകാത്തവ മാത്രമല്ല, വ്യക്തമായി നിർവചിച്ചിരിക്കുന്ന ഡൊമെയ്ൻ സാഹചര്യങ്ങൾക്ക് സാധ്യതയുള്ളവയുമാണ്.

പ്ലാറ്റ്ഫോം മേധാസ് ലക്ഷ്യമിടുന്നത്:

• വിശദീകരിക്കാവുന്നതും വ്യാഖ്യാനിക്കാവുന്നതുമായ ആഴത്തിലുള്ള പഠന മാതൃകകൾ ഉണ്ടാക്കുക
• നോളജ് ഗ്രാഫുകളിൽ വ്യക്തമായി നിർവചിച്ചിരിക്കുന്ന ഡൊമെയ്‌ൻ വിജ്ഞാനം ആഴത്തിലുള്ള പഠന മാതൃകകളിലേക്ക് സന്നിവേശിപ്പിക്കുക
• എഡ്ജ് ഉപകരണങ്ങളിലും റിസോഴ്‌സ്-നിയന്ത്രിത ക്രമീകരണങ്ങളിലും ആഴത്തിലുള്ള പഠന മാതൃകകളുടെ പ്രവേശന മാര്‍ഗം ലഭ്യമാക്കുക.
• മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഉപകരണത്തിലെ പ്രാദേശിക അനുമാനം ഉണ്ടാക്കുന്നതിനുള്ള മോഡൽ ഒപ്റ്റിമൈസേഷൻ.

നോളജ് ഗ്രാഫുകളിൽ നിന്നുൾച്ചേർത്ത വിജ്ഞാനം സ്വയം ശ്രദ്ധാധിഷ്ഠിത മാതൃകകളിലേക്ക് ഞങ്ങൾ സന്നിവേശിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, Concept Net-ൽ നിന്ന് “അഭാവ മനോഭാവം” പോലെയുള്ള ആശയപരമായ എന്റിറ്റികളുടെ ഉൾച്ചേർക്കൽ ഞങ്ങൾ എടുക്കുകയും BERT-ലേക്ക് ടോക്കൺ എംബെഡിംഗുകൾ ഉപയോഗിച്ച് അത് സന്നിവേശിപ്പിക്കുകയും ചെയ്തു. “അഭാവ മനോഭാവം” അറിവ് ഉൾച്ചേർക്കുന്ന അതേ പ്രക്രിയയാണിത്‌. അതിനാൽ, അടുത്ത സ്വയം-ശ്രദ്ധ ലെയർ, സംയോജിത അറിവിലേക്കും “ടോക്കൺ ചിന്താഗതി”, “അഭാവ മനോഭാവം” എന്റിറ്റികളുടെ ടോക്കൺ ഉൾച്ചേർക്കലുകളും ശ്രദ്ധിക്കും.

“ആബ്സന്റ് ചിന്താഗതി”, “അഭാവ മനോഭാവം” എന്നിവയുടെ വിജ്ഞാന ഉൾച്ചേർക്കൽ വളരെ സാമ്യമുള്ളതിനാൽ, ഇവ രണ്ടും സമാനമായ എന്റിറ്റികളാണെന്ന് മോഡലിന് ധാരണ ലഭിക്കും.

മുകളിലെ ഉദാഹരണത്തിൽ, WordNet-ൽ നിന്ന് “മാസ്”, “റേഡിയസ്” എന്നിവ പോലുള്ള അവ്യക്തമായ എന്റിറ്റികളുടെ അറിവ് ഞങ്ങൾ ലഭ്യമാക്കുകയും BERT-ന്റെ സ്വയം-ശ്രദ്ധാ ലെയറിലേക്ക് അതിന്റെ ടോക്കൺ എംബെഡിംഗുകളായി ഉൾപ്പെടുത്തുകയും ചെയ്യുന്നു.

അതിനാൽ, അടുത്ത സ്വയം-ശ്രദ്ധ ലെയർ, സംയോജിത അറിവ് ഉൾച്ചേർക്കുന്നതിനും അവ്യക്തമായ എന്റിറ്റികളുടെ ടോക്കൺ ഉൾച്ചേർക്കലിനും ശ്രദ്ധ നൽകും, ഇത് ഇൻപുട്ട് വാക്യം നന്നായി മനസ്സിലാക്കാൻ സഹായിക്കും.

അറിവ് പകരുന്നത് എങ്ങനെ കൂടുതൽ വ്യാഖ്യാനിക്കാവുന്ന ആത്മവിശ്വാസം നൽകുന്നു:

മുകളിലെ ഉദാഹരണത്തിൽ (അവസാന രണ്ടാമത്തെ വരി) നമുക്ക് കാണാൻ കഴിയും, “ഹരിത ഗൃഹപ്രഭാവം” പോലുള്ള ആശയപരമായ ഘടകങ്ങളും “ട്രാപ്പിംഗ്”, “അബ്സോർപ്ഷൻ” പോലുള്ള അവ്യക്തമായ എന്റിറ്റികളും ചേർത്ത ശേഷം, അത് ശരിയായ പ്രവചനം മാത്രമല്ല, ഞങ്ങൾ കൂടുതൽ എന്റിറ്റികൾ ചേർത്തതിനാൽ  പ്രവചനം നടത്താനുള്ള ആത്മവിശ്വാസവും 60.55% ആയി വർദ്ധിച്ചു.

യഥാക്രമം “സൗരോർജ്ജം”, “കാരണം” എന്നിങ്ങനെയുള്ള അവ്യക്തവും ആശയപരവുമായ എന്റിറ്റികൾ ഞങ്ങൾ ചേർത്തപ്പോൾ, ആത്മവിശ്വാസം 61.97% ആയി വർദ്ധിച്ചു.

ചുരുക്കത്തിൽ, ഞങ്ങൾ കൂടുതൽ അർത്ഥവത്തായ എന്റിറ്റികൾ ചേർക്കുമ്പോൾ, അത് ശരിയായ പ്രവചനങ്ങൾ നടത്തി (വാനില BERT തെറ്റായ പ്രവചനത്തിൽ നിന്ന് വ്യത്യസ്തമായി) മാത്രമല്ല ഇത് മോഡലിന്റെ ആത്മവിശ്വാസം വർദ്ധിപ്പിക്കുകയും ചെയ്തു.

Embibe ലെ വിദ്യാഭ്യാസ ലാബാണ് പ്ലാറ്റ്‌ഫോം മേധാസ് നിർമ്മിച്ചിരിക്കുന്നത്. വിദ്യാഭ്യാസ  റിസർച്ച് ലാബ്, വലിയ സ്വാധീനമുള്ള പ്രധാന തുറന്ന പ്രശ്നങ്ങൾ തിരിച്ചറിയുന്നതിനും യഥാർത്ഥ മൂല്യ നിർദ്ദേശങ്ങൾ കണ്ടുപിടിച്ചുകൊണ്ട് ആർട്ട് ഗവേഷണത്തിന്റെ അത്യാധുനികത വർദ്ധിപ്പിക്കുന്നതിനുമുള്ള ഒരു അച്ചടക്കത്തോടെയുള്ള ശ്രമമാണ്.

Reference:

[1] 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.

[2] 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).

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

[4] Keyur Faldu. “Rise of Modern NLP and the Need of Interpretability!” Towards Data Science, August 2020.

[5] Keyur Faldu, Dr Amit Sheth. “Discovering the Encoded Linguistic Knowledge in NLP models.” Towards Data Science, September 2020.

[6] Keyur Faldu, Dr Amit Sheth. “Linguistics Wisdom of NLP Models.” Towards Data Science, November 2020. 

[7] A. Sheth, M. Gaur, K. Roy and K. Faldu, “Knowledge-Intensive Language Understanding for Explainable AI,” in IEEE Internet Computing, vol. 25, no. 5, pp. 19-24, 1 Sept.-Oct. 2021, doi: 10.1109/MIC.2021.3101919

[8] Faldu, Keyur, Aditi Avasthi, and Achint Thomas. “Adaptive learning machine for score improvement and parts thereof.” U.S. Patent 10,854,099, issued December 1, 2020.

[9] Dhavala, Soma, Chirag Bhatia, Joy Bose, Keyur Faldu, and Aditi Avasthi. “Auto Generation of Diagnostic Assessments and Their Quality Evaluation.” International Educational Data Mining Society (2020).

[10] Faldu, Keyur, Achint Thomas, and Aditi Avasthi. “System and method for recommending personalized content using contextualized knowledge base.” U.S. Patent Application 16/586,512, filed October 1, 2020.

[11] Thomas, Achint, Keyur Faldu, and Aditi Avasthi. “System and method for personalized retrieval of academic content in a hierarchical manner.” U.S. Patent Application 16/740,223, filed October 1, 2020.

[12] “#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