പഠന ഫലങ്ങളുടെ AI സഞ്ചയ നിർമാണം

തുടക്കം മുതൽ തന്നെ, അനന്തമായ വിവരങ്ങളിലും വിജ്ഞാനശകലങ്ങളിലും അധിഷ്ഠിതവും, ഡാറ്റയെ തുടർച്ചയായി ഉൾക്കൊള്ളുന്നതുമായ ഒരു മഹത്തായ കമ്പനിയാണ് Embibe. വിപുലമായ അർത്ഥത്തിൽ, ഓരോ വിദ്യാർത്ഥിക്കും പ്രത്യേകം പ്രത്യേകമായി വിദ്യാഭ്യാസ പ്രക്രിയ ഒരുക്കുന്നതിന് ഡാറ്റ അത്യന്താപേക്ഷിതമാണ് എന്ന തിരിച്ചറിവിൽ നിന്നാണ് ഈ ഒരു സമീപനം കമ്പനിക്ക് സ്വീകാര്യമായത്.  എന്നിട്ടും, ഡാറ്റ മാത്രമെന്നത് ചിത്രത്തിന്റെ പകുതി മാത്രമേ പൂർത്തിയാക്കുന്നുള്ളൂ. സാങ്കേതികവിദ്യ ഉപയോഗിച്ചുള്ള വിദ്യാഭ്യാസത്തിന്റെ വ്യക്തിഗതമാക്കൽ വെല്ലുവിളി നിറഞ്ഞ ഒരു പ്രശ്നമാണ്, ഇതിന് ഒന്നിലധികം ഉപ-മേഖലകളിലുടനീളം വലിയ അളവിലുള്ള ഡാറ്റ പ്രയോജനപ്പെടുത്താൻ കഴിയുന്ന നൂതന അൽഗോരിതങ്ങളുടെ പരസ്പര പ്രവര്‍ത്തനം ആവശ്യമാണ്.

Embibe ൽ, ആരും നേതാക്കളായി ജനിക്കുന്നില്ല, അവർ യാത്രയിലുടനീളമുള്ള ആയിരക്കണക്കിന് ചെറിയ പഠനങ്ങളിലൂടെയും അനുഭവങ്ങളിലൂടെയും കാലക്രമേണ  രൂപപ്പെടുന്നതാണെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. കഴിഞ്ഞ എട്ട് വർഷക്കാലമായി, Embibe വളരെ ശ്രദ്ധയോടെയും സമഗ്രതയോടെയുമാണ് ഡാറ്റാ ശേഖരണവും വ്യാഖ്യാന കഴിവുകളും ശക്തിപ്പെടുത്തിയത്. കൂടാതെ വിപുലമായ മെഷീൻ ലേണിംഗും AI ടെക്നിക്കുകളും ഉപയോഗിച്ച് ഈ പ്ലാറ്റ്ഫോം ഉപയോഗിക്കുന്ന വിദ്യാർത്ഥികൾക്ക് സമാനതകളില്ലാത്ത വ്യക്തിഗത വിദ്യാഭ്യാസ അനുഭവം നൽകുന്നതിന് ഈ ഡാറ്റ ഉപയോഗിച്ചു. ഇനി പറയുന്നതിൽ, EdTech ന്റെ ഡാറ്റാധിഷ്ഠിത വ്യക്തിഗതമാക്കലിലേക്ക് ഞങ്ങൾ Embibe ന്റെ ഫിലോസഫി പ്രദര്‍ശിപ്പിക്കുന്നു.

ഡാറ്റ ശേഖരണവും രേഖപ്പെടുത്തലും

ഡാറ്റ ഒരു യൂസറിന് ആവശ്യമായ,  ഉപകാരപ്രദമായ രീതിയില്‍ ശേഖരിക്കുകയും വേര്‍തിരിക്കുകയും ചെയ്‌തില്ലെങ്കില്‍ ഡാറ്റയ്‌ക്ക് തന്നെ വലിയ മൂല്യമുണ്ടാകില്ല. ഉദാഹരണത്തിന്, ഒരു പ്രാക്ടീസ്/ടെസ്റ്റ് ചോദ്യം അറ്റെംപ്റ്റ് ചെയ്തുവെന്നത്, ചോദ്യത്തിന്റെ ഫസ്റ്റ് ലുക്ക് സമയം, അവസാനം സേവ് ചെയ്ത സമയം, ഓരോ പ്രാവശ്യവും വീണ്ടും ചോദ്യം നോക്കുന്നതിനെടുത്ത  സമയം, ഓരോ നോട്ടത്തിലും മാറ്റി തിരഞ്ഞെടുക്കുന്ന ഉത്തര ഓപ്ഷനുകള്‍  തുടങ്ങിയ എല്ലാ സൂക്ഷ്മ-ഇവന്റുകളേയും പോലെ അത്ര തന്നെ ഉപയോഗപ്രദമല്ല. കഴിഞ്ഞ എട്ട് വർഷമായി ഗ്രാനുലാർ ഡാറ്റ രേഖപ്പെടുത്തുന്നതിന് Embibe വളരെയധികം നിക്ഷേപം നടത്തി. സമ്പന്നമായ ഡാറ്റ തരങ്ങൾ രേഖപ്പെടുത്താനുള്ള Embibe ന്‍റെ കഴിവ് ഇവയിൽ പരിമിതപ്പെടുത്തിയിട്ടില്ല::

• യൂസര്‍-ഇന്ററാക്ഷന്‍ എക്സ്പ്ലിസിറ്റ് ഇവന്‍ന്റുകൾ- ക്ലിക്കുകൾ, ടാപ്പുകൾ, ഹോവറുകൾ, സ്ക്രോളുകൾ, ടെക്സ്റ്റ്-അപ്ഡേറ്റുകൾ
• യൂസര്‍-ഇന്ററാക്ഷന്‍ ഇംപ്ലിസിറ്റ് ഇവന്‍ന്റുകൾ – കഴ്സർ സ്ഥാനം, ടാപ്പ് മർദ്ദം, ഡിവൈസ് ഓറിയന്റേഷൻ
• സിസ്റ്റം ജനറേറ്റഡ് സെർവർ- സൈഡ് ഇവന്റുകൾ – പേജ് ലോഡ്, സെഷൻ റിഫ്രഷുകള്‍, API കോളുകൾ
• സിസ്റ്റം-ജനറേറ്റഡ് ക്ലയന്റ്-സൈഡ് ഇവന്റുകൾ – സിസ്റ്റം പുഷ് അറിയിപ്പുകളും ട്രിഗറുകളും

ഡൊമെയ്ൻ വൈദഗ്ധ്യം

അർത്ഥവത്തായ സ്ഥിതിവിവരക്കണക്കുകൾ കണ്ടെത്തുന്നതിന് മതിയായ സന്ദർഭവും ഡൊമെയ്‌ൻ അറിവും ഇല്ലാത്തതിനാൽ സിലോസിൽ പ്രവർത്തിക്കുന്ന ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് രേഖപ്പെടുത്തിയ ഡാറ്റയ്ക്ക് മൂല്യം കൂട്ടാൻ കഴിഞ്ഞേക്കില്ല എന്നത് കലയിൽ വൈദഗ്ധ്യമുള്ളവർക്ക് പൊതുവെ അറിയാം. Embibe ഇത് മനസ്സിലാക്കുകയും ഡാറ്റ ശാസ്ത്രജ്ഞരും അക്കാദമിക വിദഗ്ധരും തമ്മിൽ മതിയായ ഓവർലാപ്പ് ഉറപ്പാക്കുകയും ചെയ്തു

അക്കാദമിക ഡാറ്റ തയ്യാറാക്കൽ: 

പബ്ലിക് ഡൊമെയ്‌നിൽ ലഭ്യമല്ലാത്ത അക്കാദമിക ഡാറ്റയുടെ സൃഷ്ടിയിലും മേല്‍നോട്ടത്തിലും Embibe സമയവും വിഭവങ്ങളും നിക്ഷേപിച്ചിട്ടുണ്ട്. ഉദാഹരണത്തിന്, പതിനായിരക്കണക്കിന് മെറ്റാ വേരിയബിളുകൾക്ക് കാരണമാകുന്ന ഓരോ ആശയത്തിലേയും 426 മെറ്റാ വേരിയബിളുകളും അർദ്ധ മേൽനോട്ടത്തിലുള്ള അൽഗോരിതങ്ങളും ഉപയോഗിച്ച്  ലക്ഷക്കണക്കിന് പരസ്പര ബന്ധങ്ങളുല്‍പ്പെടുത്തി 30 അധ്യാപകരുടെ ഒരു സംഘം വർഷങ്ങളെടുത്ത് 62K ആശയങ്ങളുടെ ഒരു നോളജ് ട്രീ സൃഷ്ടിച്ചു. നോളജ് ട്രീയിലെ ആശയങ്ങൾ, പരീക്ഷാ സിലബസ്, വൈദഗ്ധ്യം, ബുദ്ധിമുട്ട് നില, അനുയോജ്യ സമയം, ബ്ലൂം ലെവൽ തുടങ്ങിയ മെറ്റാ ടാഗുകളിലേക്ക് ലക്ഷക്കണക്കിന് ചോദ്യങ്ങളെ ഈ സംഘം സ്വമേധയാ ടാഗ് ചെയ്തു.

അക്കാദമിക്സ് + സയൻസ്: 

ഡാറ്റാ ശാസ്ത്രജ്ഞരും അക്കാദമിക വിദഗ്ധരും ഒരുമിച്ച് പ്രവർത്തിക്കുന്നതില്‍ ഒരു പഠന വക്രതയുണ്ട്. ഉദാഹരണത്തിന്,  പരീക്ഷകൾ സജ്ജീകരിക്കുന്നതില്‍ അക്കാദമിക വിദഗ്ധർ എന്ത് പാരാമീറ്ററുകൾ പരിഗണിക്കുന്നു, അവർ എങ്ങനെ വ്യത്യാസങ്ങൾ കൊണ്ടുവരുന്നു, ഓരോ വിദ്യാർത്ഥികൾക്കും അവർ ടെസ്റ്റുകൾ എങ്ങനെ വ്യക്തിഗതമാക്കുന്നു എന്നിവ ശാസ്ത്രജ്ഞർക്ക് അറിയേണ്ടതുണ്ട്. അക്കാദമിക വിദഗ്ധരുടെ അറിവിന്റെ അൽഗോരിതം കോഡിലേക്കുള്ള ഈ വിവർത്തനം സമയമെടുക്കുന്നതും സയന്റിസ്റ്റ് പൂളിൽ ഡൊമെയ്ൻ വൈദഗ്ധ്യം ആവശ്യമുള്ളതുമാണ്. ഡാറ്റാ മൈനിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിച്ച് പതിനായിരക്കണക്കിന് ശൈലികളുടെ ഒരു അക്കാദമിക കോർപ്പസ് സൃഷ്ടിക്കാൻ Embibe അധ്യാപക-ശാസ്ത്രജ്ഞ ഇടപെടലുകളും ഉപയോഗിച്ചു.

ഒരു വ്യക്തിഗത EdTech പ്ലാറ്റ്‌ഫോം നിർമ്മിക്കുന്നതിന് ഡാറ്റയും AI-യും ഉപയോഗിക്കല്‍

വളരെ കാലമെടുത്താണ് നേരിട്ടുള്ള ഡാറ്റ ലഭ്യമാകുന്നത്. യൂസറുകളെ സ്വന്തമാക്കാൻ ആരെങ്കിലും ധാരാളം പണം ഒഴുക്കിയാലും, യൂസറുകൾ സിസ്റ്റവുമായി വേണ്ടത്ര ഇടപഴകാത്തതിനാൽ കാലക്രമേണ അവർക്ക് മതിയായ ഇടപഴകൽ ഡാറ്റ ഉണ്ടായിരിക്കില്ല. Embibe അതിന്റെ എല്ലാ ഡാറ്റയും സ്വന്തമാക്കി, EdTech വ്യക്തിഗതമാക്കുന്നതിന് പരസ്പര ബന്ധിതമായ നിരവധി ഉപ-പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് വിപുലമായ അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ഈ ഡാറ്റ പ്രയോജനപ്പെടുത്തുന്നു.

സ്മാർട്ട് ടാഗിംഗ്: 

ആശയങ്ങൾ, ടോപ്പിക്കുകള്‍, തുടങ്ങിയവയിലേക്കുള്ള ടാഗിംഗ് ചോദ്യങ്ങളിലെ പാഠ വിവരങ്ങളുടെ സാരാംശം അക്കാദമിക സൂചനാപദങ്ങളിലാണ്. ഏകീകൃത അക്കാദമിക സൂചനാപദ നിഘണ്ടുക്കൾ പൊതുസഞ്ചയത്തിൽ ലഭ്യമല്ല. മാത്രമല്ല, അക്കാദമിക സൂചനാപദങ്ങളെ നോൺ-അക്കാദമിക സൂചനാപദങ്ങളിൽ നിന്ന് വേർതിരിക്കുന്നത് തന്ത്രപരമാണ്. ‘അവസാനം’ പോലെയുള്ള ഒരു നോൺ-അക്കാദമിക വാക്ക് ഉചിതമായ സന്ദർഭത്തിൽ യഥാർത്ഥത്തിൽ അക്കാദമികമാണ്, ഉദാഹരണത്തിന്, “ചരടിന്റെ അറ്റത്ത് പ്രയോഗിക്കുന്ന ബലം”. Embibe ന്‍റെ സ്‌മാർട്ട് ടാഗിംഗ് അൽഗോരിതങ്ങൾക്ക് ക്രൗഡ്-സോഴ്‌സ്ഡ് ഹ്യൂമൻ ഫാക്കൽറ്റിക്ക് നല്‍കുന്ന 18% സമയത്തെ താരതമ്യപ്പെടുത്തുമ്പോള്‍ 82% സമയവും ഒരു ചോദ്യത്തിന് ടാഗുചെയ്യാനുള്ള ഏറ്റവും പ്രസക്തമായ ആശയങ്ങൾ തിരിച്ചറിയാൻ സാധിക്കുന്നു.

ഓട്ടോമേറ്റഡ് ടെസ്റ്റ് ജനറേഷൻ: 

മുകളിൽ വിവരിച്ച ശാസ്ത്രജ്ഞൻ-ഫാക്കൽറ്റി ഉദ്യമ ഫലമായി Embibe ന്റെ ഓട്ടോമേറ്റഡ് ടെസ്റ്റ് ജനറേഷൻ മൊഡ്യൂൾ, 62,000 ആശയങ്ങൾ, ബുദ്ധിമുട്ട് നില, അനുയോജ്യ സമയം, ബ്ലൂം നില, കഴിവുകൾ എന്നിവക്കനുസരിച്ച് ലക്ഷക്കണക്കിന് ചോദ്യങ്ങളിൽ നിന്ന് നിരവധി പരീക്ഷകള്‍ക്കായി നൂറുകണക്കിന് ടെസ്റ്റ് ചോദ്യപേപ്പറുകൾ സൃഷ്ടിക്കാൻ ഉപയോഗിച്ചു. ഈ മൊഡ്യൂൾ, ഏതെങ്കിലും പ്രത്യേക പരീക്ഷയുടെ നിലവാരവുമായി സാമ്യമുള്ള പുതിയ ടെസ്റ്റ് ചോദ്യപേപ്പറുകൾ സൃഷ്ടിക്കുന്നതിന് സിമുലേറ്റഡ് അനീലിംഗ്, ജെനറ്റിക് അൽഗോരിതം എന്നിവ ഉപയോഗിക്കുന്ന അത്യാധുനിക ഹൈബ്രിഡ് അൽഗോരിതം ഉപയോഗിക്കുന്നു, അനുഭവപരിചയമുള്ള അധ്യാപകര്‍ക്ക് ഇത് എളുപ്പത്തില്‍ സാധ്യമാകുന്നു.

പെരുമാറ്റ ലക്ഷ്യ ക്രമീകരണവും സ്കോർ മെച്ചപ്പെടുത്തൽ പ്രവചനവും: 

നിരവധി പെരുമാറ്റ കേസ് പഠനങ്ങൾ, അധ്യാപക മേഖലയിലുള്ള പരിജ്ഞാനം, സ്റ്റാറ്റിസ്റ്റിക്കൽ പാറ്റേൺ മൈനിംഗ് എന്നിവ ഉപയോഗിച്ച്, ഒളിഞ്ഞിരിക്കുന്ന പെരുമാറ്റ ലക്ഷണങ്ങള്‍ എങ്ങനെ അളക്കാമെന്നും മെച്ചപ്പെടുത്താമെന്നും Embibe ന് അറിയാം. കണക്കുകള്‍ പ്രകാരം സാധുതയുള്ള ലക്ഷക്കണക്കിന് വിലയിരുത്തലുകളെ അടിസ്ഥാനമാക്കി, ഏറ്റവും സ്വാധീനിക്കുന്ന പെരുമാറ്റ ഗുണങ്ങൾ തിരിച്ചറിയാനും പുരോഗമനപരമായ ലക്ഷ്യങ്ങൾ സജ്ജീകരിക്കാനും ആ മികവുകളെ അടിസ്ഥാനമാക്കി സ്കോർ മെച്ചപ്പെടുത്തൽ പ്രവചിക്കാനും ഞങ്ങൾക്ക് കഴിയും.

EMBIBE സ്‌കോർ നിലവാരം:

ഓരോ സംഭവങ്ങളുടെ അടിസ്ഥാനത്തില്‍ രൂപീകരിച്ച  വിശദമായ ഡാറ്റാ സിഗ്നലുകൾ ഉപയോഗിച്ച് ലക്ഷക്കണക്കിന് മൂല്യനിർണ്ണയങ്ങളിലെ നൂറുകണക്കിന് അനുമാനങ്ങളിൽ നിന്ന് ഉയർന്ന സ്വാധീനമുള്ള നിരവധി സവിശേഷതകൾ Embibe വിജയകരമായി തിരിച്ചറിഞ്ഞു. 94% കൃത്യതയോടെ സ്‌കോർ കണക്കാക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞു, കൂടാതെ പരീക്ഷാ സ്‌കോറുകളെ സ്വാധീനിച്ചവയില്‍ 61% അക്കാദമിക നിലവാരവും  39% പെരുമാറ്റവുമാണെന്നും സ്ഥാപിക്കാൻ ഞങ്ങള്‍ക്ക് കഴിഞ്ഞു. പ്ലാറ്റ്‌ഫോമിൽ ലക്ഷക്കണക്കിന് ഉപയോക്തൃ ടെസ്റ്റുകള്‍ ലഭ്യമാകുന്നതിനാല്‍ മോഡല്‍ കേന്ദ്രീകൃതമാക്കാന്‍ കഴിഞ്ഞു. ട്രാൻസ്ഫർ ലേണിംഗിനൊപ്പം, മറ്റ് പരീക്ഷകൾക്കുള്ള ബൂട്ട് സ്ട്രാപ്പിംഗ് മോഡലുകളും വളരെ എളുപ്പമായി.

ലീഡ് സ്കോർ മെച്ചപ്പെടുത്താനുള്ള ശ്രമം: 

Embibe പ്ലാറ്റ്‌ഫോമിലെ ഓരോ ഇടപെടലും പഠന ഫലങ്ങൾക്കായി വിലയിരുത്തുന്നു. ചരിത്രപരമായ ഡാറ്റയുടെയും കേന്ദ്രീകൃത ഗവേഷണത്തിന്റെയും നാല് സീസണുകളിലായി, ഇത് Embibe ന്റെ ഉദ്യമവും വിവരങ്ങളും സാധൂകരിച്ച് പഠന ഫലങ്ങൾ ഉത്തമീകരിക്കുന്നതിന് അയക്കുന്നു. ഉയർന്ന പ്രയത്ന ഫലമായി ആ കൂട്ടായ്മയിലെ വിദ്യാർത്ഥികൾ ~50% ആകെ സ്കോർ മികവ് കൈവരിച്ചു.

ഉള്ളടക്കം കണ്ടെത്തലും നിര്‍ദേശങ്ങളും: 

വിദ്യാർത്ഥികൾ ഞങ്ങളുടെ പ്ലാറ്റ്‌ഫോമുമായി ഇടപഴകുന്നതിനനുസരിച്ച് കഴിഞ്ഞ എട്ട് വർഷക്കാലമായി ശേഖരിച്ച വലിയ അളവിലുള്ള ഡാറ്റ ഉപയോഗിക്കുമ്പോള്‍ Embibe-ന്റെ തിരയൽ അടിസ്ഥാനമാക്കിയുള്ള UI ശാക്തീകരിക്കുന്നു. തിരഞ്ഞെടുക്കാനും വീണ്ടും റാങ്ക് ചെയ്യാനുമുള്ള ദശലക്ഷക്കണക്കിന് സാധ്യതയുള്ള കോമ്പിനേഷനുകളുടെ സംയോജിത തിരയലിനുള്ള അത്തരം 25 പ്രധാന ഘടകങ്ങളിൽ, യൂസർ തിരയലുകളെ അടിസ്ഥാനമാക്കി ഉള്ളടക്കം നൽകുന്ന ഞങ്ങളുടെ തിരയൽ എഞ്ചിൻ, യൂസർ ഗ്രൂപ്പ് അസൈൻമെന്റുകൾ, ചരിത്രപരമായ തിരയൽ പ്രവണതകൾ, ഉള്ളടക്ക ഉപഭോഗ ക്രമങ്ങൾ, പരീക്ഷയെ അടിസ്ഥാനമാക്കിയുള്ള ഉള്ളടക്ക ബുദ്ധിമുട്ട്, യൂസർ ഇടപെടലുകൾ എന്നിവയെ അടിസ്ഥാനമാക്കി തത്സമയം പ്രസക്തമായ ഫലങ്ങൾ വീണ്ടും റാങ്ക് ചെയ്യുന്നു. കൂടാതെ, മതിയായ ഡാറ്റ ലഭ്യമാണെങ്കിൽ പ്ലാറ്റ്‌ഫോമുമായുള്ള അവരുടെ മുൻകാല ഇടപെടലുകളെ അടിസ്ഥാനമാക്കിയോ അല്ലെങ്കിൽ ഡാറ്റ അപര്യാപ്തമായ കേസുകളിൽ സമാനമായ യൂസറുകളെ അടിസ്ഥാനമാക്കിയോ വിദ്യാർത്ഥികൾക്ക് അവരുടെ സമയം കേന്ദ്രീകരിക്കാൻ ലക്ഷ്യമിട്ടുള്ള ഉള്ളടക്കത്തിനുള്ള നിർദ്ദേശങ്ങൾ കാണിക്കുന്നു.

EdTech നുള്ള ഒരു AI പ്ലാറ്റ്‌ഫോം ആകാൻ എന്താണ് വേണ്ടത്

ഇന്ന് ലോകത്ത് നിരവധി EdTech കമ്പനികളുണ്ട്. ഈ കമ്പനികളിൽ ഭൂരിഭാഗവും വിദ്യാഭ്യാസം വ്യക്തിഗതമാക്കുന്നതിനും EdTech ന് AI- കൊണ്ട് പ്രവർത്തിക്കുന്ന പ്ലാറ്റ്‌ഫോം നിർമ്മിക്കുന്നതിനും പരിഹരിക്കേണ്ട പ്രശ്‌നങ്ങളുടെ ചില ഉപവിഭാഗങ്ങളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഒരു ടെസ്റ്റ് തയ്യാറാക്കുന്ന പോർട്ടലിൽ നിന്ന് ഒരു യഥാർത്ഥ EdTech പ്ലാറ്റ്‌ഫോമിലേക്കുള്ള ഒരു EdTech കമ്പനിയുടെ പരിണാമം ചുവടെയുള്ള പട്ടികയില്‍ കാണിച്ചിരിക്കുന്നു:

ഉള്ളടക്കം	അറ്റെംപ്റ്റ് ചെയ്ത ഡാറ്റ	ഡൊമെയ്ൻ വൈദഗ്ധ്യം	വിജ്ഞാന ഗ്രാഫ്	ഡാറ്റ സയൻസ് ലാബ്	സാധ്യതകൾ
(1) ചാപ്റ്റർ ലെവലിൽ ശരാശരി 250+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ					അടിസ്ഥാന ടെസ്റ്റ് തയ്യാറെടുപ്പ്
(1)ചാപ്റ്റർ ലെവലിൽ ശരാശരി 250+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ	ചോദ്യങ്ങളിലെ കുറച്ച് യൂസർ -തല അറ്റെംപ്റ്റുകള്‍				അടിസ്ഥാന ടെസ്റ്റ് തയ്യാറെടുപ്പ് + അടിസ്ഥാന യൂസർ -തല ഫീഡ്ബാക്ക് അനലിറ്റിക്സ്
(1) ചാപ്റ്റർ തലത്തിൽ ശരാശരി 250+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ, (4) ഓരോ അധ്യായത്തിനും പഠിക്കുന്നതിനുള്ള 5 ഉള്ളടക്കം (വീഡിയോകൾ, ടെക്സ്റ്റ്, ലിങ്കുകൾ)	ചോദ്യങ്ങളിലെ കുറച്ച് യൂസർ -തല അറ്റെംപ്റ്റുകള്‍				അടിസ്ഥാന ടെസ്റ്റ് തയ്യാറെടുപ്പ് + അടിസ്ഥാന യൂസർ -തല ഫീഡ്ബാക്ക് അനലിറ്റിക്സ് + പഠിക്കുക
(1)ചാപ്റ്റർ തലത്തിൽ ശരാശരി 500+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ, (4) ഓരോ അധ്യായത്തിനും 5 പഠന ഉള്ളടക്കം	എല്ലാ ചോദ്യങ്ങൾക്കും ~6 ദശലക്ഷം അറ്റെംപ്റ്റുകള്‍ക്കായി ഒരു ചോദ്യത്തിന് ശരാശരി 25+ അറ്റെംപ്റ്റുകള്‍	(1) ഉള്ളടക്ക ശുചിത്വം, (2) ടെസ്റ്റുകളിലെ ഗുണനിലവാര നിയന്ത്രണം, (3) സംശയ നിവാരണം എന്നിവക്ക് Embibe ല്‍ തന്നെയുള്ള അക്കാദമിഷ്യൻ			അടിസ്ഥാന ടെസ്റ്റ് തയ്യാറെടുപ്പ് + വിശദമായ ഫീഡ്‌ബാക്ക് അനലിറ്റിക്‌സ് + പഠിക്കാം + സംശയ നിവാരണം
(1) ചാപ്റ്റർ തലത്തിൽ ശരാശരി 500+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ, (4)ഓരോ അധ്യായത്തിനും 5 പഠന ഉള്ളടക്കം	എല്ലാ ചോദ്യങ്ങളുടേയും മൊത്തം ~6 ദശലക്ഷം അറ്റെംപ്റ്റുകള്‍ക്ക് ഓരോ ചോദ്യത്തിനും കുറഞ്ഞത് 25+ അറ്റെംപ്റ്റുകള്‍	(1) ഉള്ളടക്ക ശുചിത്വം, (2) ടെസ്റ്റുകളിലെ ഗുണനിലവാര നിയന്ത്രണം, (3) സംശയ നിവാരണം എന്നിവക്ക് Embibe ല്‍ തന്നെയുള്ള അക്കാദമിഷ്യൻ	(1)~4000 ടോപ്പിക്കുകൾ വരെയുള്ള ആശയ തലത്തിലെ (ഒരു അധ്യായത്തിന് ~5 ടോപ്പിക്കുകൾ) അടിസ്ഥാന വര്‍ഗ്ഗീകരണം		അഡ്വാൻസ്ഡ് ടെസ്റ്റ് തയ്യാറെടുപ്പ് = അടിസ്ഥാന ടെസ്റ്റ് തയ്യാറെടുപ്പ് + വിശദമായ ഫീഡ്‌ബാക്ക് അനലിറ്റിക്‌സ് + പഠിക്കാം + സംശയ നിവാരണം + വിഷയ-തല ഫീച്ചറുകള്‍
(1) ചാപ്റ്റർ തലത്തിൽ ശരാശരി 500+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ, (4)ഓരോ അധ്യായത്തിനും 5 പഠന ഉള്ളടക്കം	എല്ലാ ചോദ്യങ്ങൾക്കും ~20 ദശലക്ഷം അറ്റെംപ്റ്റുകള്‍ക്കായി ഒരു ചോദ്യത്തിന് ശരാശരി 100+ അറ്റെംപ്റ്റുകള്‍	(1) ഉള്ളടക്ക ശുചിത്വം, (2) ടെസ്റ്റുകളുടെ ഗുണനിലവാര നിയന്ത്രണം, (3) സംശയ നിവാരണം, (4) ഡാറ്റാ സയന്റിസ്റ്റുകളുമായുള്ള AI അനുമാനങ്ങൾ സൃഷ്ടിക്കല്‍ എന്നിവക്ക് Embibe ല്‍ തന്നെയുള്ള അക്കാദമിഷ്യൻ	(1)~40K ആശയങ്ങൾ വരെയുള്ള ആശയ തലത്തിലെ (ഒരു അധ്യായത്തിന് ~100 ആശയങ്ങൾ) ആഴത്തിലുള്ള വര്‍ഗ്ഗീകരണം	4 പേരുടെ ഡാറ്റാ സയൻസ് ടീം 2+ വർഷമായി പ്രവർത്തിക്കുന്നു	വിപുലമായ ടെസ്റ്റ് തയ്യാറെടുപ്പ് + വ്യക്തിഗതമാക്കൽ + പഠന ഫലങ്ങൾ വിദ്യാഭ്യാസത്തിനായുള്ള AI പ്ലാറ്റ്ഫോം = വിപുലമായ ടെസ്റ്റ് തയ്യാറെടുപ്പ് + വ്യക്തിഗതമാക്കൽ + പഠന ഫലങ്ങൾ + ഇന്റലിജൻസ്-ഒരു-സേവനം
(1) ചാപ്റ്റർ തലത്തിൽ ശരാശരി 500+ ചോദ്യങ്ങൾ, (2) കുറഞ്ഞത് 3 ചാപ്റ്റർ ലെവൽ ടെസ്റ്റുകൾ, (3) 10 ഫുൾ ടെസ്റ്റുകൾ, (4) ഓരോ അധ്യായത്തിലും കുറഞ്ഞത് പഠിക്കുവാനുള്ള 5 ഉള്ളടക്കം	എല്ലാ ചോദ്യങ്ങളുടേയും ~30 ദശലക്ഷം അറ്റെംപ്റ്റുകള്‍ക്കായി ഒരു ചോദ്യത്തിന് ശരാശരി 150+ അറ്റെംപ്റ്റുകള്‍(ഒരു കൂട്ടത്തിന് 50)	(1) ഉള്ളടക്ക ശുചിത്വം, (2) ടെസ്റ്റുകളുടെ ഗുണനിലവാര നിയന്ത്രണം, (3) സംശയ നിവാരണം, (4) ഡാറ്റാ സയന്റിസ്റ്റുകളുമായുള്ള AI അനുമാനങ്ങൾ സൃഷ്ടിക്കല്‍ എന്നിവക്ക് Embibe ല്‍ തന്നെയുള്ള അക്കാദമിഷ്യൻ	(1)~40K ആശയങ്ങൾ വരെയുള്ള ആശയ തലത്തിലെ (ഒരു അധ്യായത്തിന് ~100 ആശയങ്ങൾ) ആഴത്തിലുള്ള വര്‍ഗ്ഗീകരണം	ഓട്ടോ ഇൻജഷൻ (OCR), ഓട്ടോ ടാഗിംഗ് (NLP, ML), പാക്കേജിംഗ് (ഒപ്റ്റിമൈസേഷൻ), നോളജ് ഗ്രാഫ് ജനറേഷൻ ആൻഡ് കാലിബ്രേഷൻ (IR, ഗ്രാഫ് മൈനിംഗ്, ML), പെരുമാറ്റ ഇടപെടല്‍ (ML) , വ്യക്തിഗതമാക്കൽ (IRT, ML) തുടങ്ങിയ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനായി രണ്ടിലധികം വർഷമായി 8 പേരുടെ ഡാറ്റാ സയൻസ് ടീം പ്രവർത്തിക്കുന്നു.	വിപുലമായ ടെസ്റ്റ് തയ്യാറെടുപ്പ് + വ്യക്തിഗതമാക്കൽ + പഠന ഫലങ്ങൾ വിദ്യാഭ്യാസത്തിനായുള്ള AI പ്ലാറ്റ്ഫോം = വിപുലമായ ടെസ്റ്റ് തയ്യാറെടുപ്പ് + വ്യക്തിഗതമാക്കൽ + പഠന ഫലങ്ങൾ + ഇന്റലിജൻസ്-ഒരു-സേവനം