मेधा, संस्कृत शब्द, याचा अर्थ ज्ञान, समज आणि बुद्धीमत्ता असा होतो. EdTech AI प्लॅटफॉर्म संरचित करण्यासाठी नैसर्गिक भाषा समज (NLU) हा प्लॅटफॉर्म खूप महत्वाचा आहे. NLU क्षमता हायपर टॅग केलेले शिक्षण आणि मूल्यांकन सामग्री, संदर्भित ज्ञान आलेख, अर्थपूर्ण आणि स्पष्टीकरण करण्यायोग्य अंदाज सक्षम करते ज्यामुळे विद्यार्थ्यांना शिकण्याचे परिणाम साध्य करण्यासाठी आवश्यक सामग्री समृद्ध करणे, शिफारस करणे किंवा तयार करणे आवश्यक आहे. काही उदाहरणे जिथे ते अत्याधुनिक कार्यप्रदर्शन साध्य करण्यासाठी थेट मदत करते ते म्हणजे सामग्री बुद्धिमत्ता कार्ये जसे की प्रश्न निर्मिती, प्रश्नांची उत्तरे, शंकांचे निराकरण, इन्स्टा-सोल्व्हर इ.

आर्टिफिशियल इंटेलिजेंसने खूप मोठा पल्ला गाठला आहे, सखोल शिक्षण तंत्रे डोमेन ऍप्लिकेशन्सच्या विस्तृत श्रेणीवर त्याच्या संभाव्यतेसाठी एक ठोस केस बनवतात. तथापि, आर्टिफिशियल इंटेलिजन्सच्या सध्याच्या स्थितीवर प्रशिक्षण डेटामध्ये सांख्यिकीयदृष्ट्या गोळा केलेले सुप्त नमुने शिकून प्रशिक्षित केलेल्या ब्लॅक-बॉक्स मॉडेलचे वर्चस्व आहे. ही मॉडेल्स केवळ स्पष्ट  करण्यासारखे  नाही तर स्पष्टपणे परिभाषित डोमेन परिस्थितीसाठी संभाव्यत: असुरक्षित आहेत.

प्लॅटफॉर्म मेधाची उद्दीष्टे आहेत:

  • सखोल शिक्षणाचे मॉडेल समजावून सांगण्यायोग्य आणि स्पष्ट करण्यायोग्य बनवणे
  • ज्ञान आलेखांमध्ये स्पष्टपणे परिभाषित केलेले डोमेन ज्ञान सखोल शिक्षण मॉडेल्समध्ये समाविष्ट करणे
  • सखोल शिक्षण मॉडेल्स एज डिव्हाइसेस आणि संसाधन-प्रतिबंधित सेटिंग्जवर उपलब्ध करणे.
  • दुसऱ्या शब्दांत, स्थानिक ऑन-डिव्हाइस अनुमान काढण्यासाठी मॉडेल ऑप्टिमायझेशन.

आम्‍ही ज्ञान  आलेखांमधून स्‍वत: लक्ष देण्‍यावर आधारित मॉडेलमध्‍ये ज्ञान सखोलपणे शिरवण्याच्या करतो. उदाहरणार्थ, आम्ही ConceptNet मधून ” अनुपस्थित मानसिकता ” सारख्या संकल्पनात्मक घटकांचे सखोलपणे  शिरवणे घेतले आणि BERT मध्ये टोकन सखोलपणे  शिरवण्यासह ते समाविष्ट केले. “मनाची अनुपस्थिती” साठी ज्ञान सखोलपणे  शिरवण्याची समान प्रक्रिया. तर, पुढील स्वयं-लक्ष्य स्तर एकत्रित ज्ञान आणि “अनुपस्थित मानसिकता” आणि “मनाची अनुपस्थिती” घटकांच्या टोकन सखोलपणे  शिरवण्याकडेकडे लक्ष देईल.

“अनुपस्थित मानसिकता” आणि “मनाची अनुपस्थिती” चे ज्ञान सखोलपणे शिरवणे खूप एकसारखे असेल, मॉडेलला कल्पना येईल की, हे दोन्ही समान घटक आहेत.

वरील उदाहरणामध्ये, आम्ही WordNet वरून “वस्तुमान” आणि “त्रिज्या” सारख्या संदिग्ध घटकांचे ज्ञान सखोलपणे शिरवून  मिळवतो आणि BERT च्या स्वत: लक्ष देण्याच्या स्तरांमध्ये त्याचे प्रतिक सखोल शिरण्यासह अंतर्भूत करतो.

त्यामुळे, पुढील स्वयं-लक्ष्य स्तर संदिग्ध घटकांचे एकत्रित ज्ञान सखोलपणे शिरवेल आणि प्रतिक सखोलपणे शिरण्याकडे लक्ष देईल आणि ते अदान वाक्य अधिक चांगल्या प्रकारे समजून घेण्यास मॉडेलला मदत करेल.

प्रेरक ज्ञान कसे अधिक अर्थ लावणारा आत्मविश्वास देते:

आपण वरील उदाहरणात (दुसरी शेवटची ओळ) पाहू शकतो की, “ग्रीनहाऊस इफेक्ट” सारख्या संकल्पनात्मक घटक आणि “स्थानबद्ध करणे” आणि “शोषक” सारख्या अस्पष्ट घटक जोडल्यानंतर, केवळ अचूक अंदाजच नाही, तर भविष्य सांगण्याचा आत्मविश्वासही निर्माण झाला. आम्‍ही अधिक घटक जोडल्‍याने 60.55% पर्यंत वाढले.

जेव्हा आम्ही अनुक्रमे “सौर ऊर्जा” आणि “कारण” सारख्या अधिक अस्पष्ट आणि संकल्पनात्मक घटक जोडले, तेव्हा आत्मविश्वास आणखी वाढून 61.97% झाला.

सारांश, आम्ही अधिक अर्थपूर्ण घटक जोडत असताना, केवळ अचूक अंदाजच वर्तवला नाही तर त्यामुळे मॉडेलचा आत्मविश्वासही वाढला(वॅनीला बर्ट सारखी चुकीची भविष्यवाणी करत होती).

मुख्य खुल्या समस्या ओळखण्यासाठी आणि मूळ मूल्य प्रस्तावना शोधून अत्याधुनिक संशोधनाला पुढे नेण्याचा एक विशिष्ट शिस्तबद्ध प्रयत्न आहे.

संदर्भ

[1]गौर, मानस, केयुर फालदू आणि अमित शेठ. “ब्लॅक-बॉक्सचे शब्दार्थ: ज्ञान आलेख सखोल शिक्षण प्रणालींना अधिक अर्थपूर्ण आणि स्पष्ट करण्यायोग्य बनविण्यात मदत करू शकतात?.” IEEE इंटरनेट संगणन 25, क्र.1(2021): 51-59.

[2]फाल्दू, केयूर, अमित शेठ, प्रशांत किकाणी आणि हेमांग अकबरी. “KI-BERT: उत्तम भाषा आणि डोमेन समजून घेण्यासाठी ज्ञानाचा संदर्भ अंतर्भूत करणे.” arXiv preprint arXiv:2104.08145 (2021)

[3]गौर, मानस, अंकित देसाई, केयुर फाल्दू आणि अमित शेठ. “ज्ञान आलेख वापरून स्पष्टीकरण करण्यायोग्य AI.” ACM CoDS-COMAD परिषदेत. 2020.

[4]केयुर फाल्दू. “आधुनिक NLP चा उदय आणि अर्थ समजण्याची गरज!” डेटा सायन्सच्या दिशेने, ऑगस्ट 2020.

[5]केयुर फाल्दू, डॉ अमित शेठ. “एनएलपी मॉडेल्समध्ये एन्कोड केलेले भाषिक ज्ञान शोधणे.” डेटा सायन्सच्या दिशेने, सप्टेंबर 2020.

[6]केयुर फाल्दू, डॉ अमित शेठ. “NLP मॉडेल्सचे भाषिक ज्ञान.” डेटा सायन्सच्या दिशेने, नोव्हेंबर 2020.

[7]ए. शेठ, एम. गौर, के. रॉय आणि के. फाल्दू, IEEE इंटरनेट कम्प्युटिंग, vol. 25, no. 5, pp. 19-24, 1 Sept.-Oct. 2021, doi: 10.1109/MIC.2021.3101919

[8]फाल्दू, केयूर, अदिती अवस्थी आणि अचिंत थॉमस. “स्कोअर सुधारण्यासाठी आणि त्याच्या भागांसाठी प्रतियोजक शिक्षण मशीन.” यू.एस. पेटंट 10,854,099, 1 डिसेंबर 2020 रोजी जारी केले.

[9]धवला, सोमा, चिराग भाटिया, जॉय बोस, केयूर फाल्दू आणि अदिती अवस्थी. “निदान मूल्यमापन आणि त्यांच्या गुणवत्ता मूल्यांकनाची स्वयं निर्मिती.” इंटरनॅशनल एज्युकेशनल डेटा मायनिंग सोसायटी (2020).

[10]फाल्दू, केयूर, अचिंत थॉमस आणि अदिती अवस्थी. “संदर्भीय ज्ञान आधार वापरून वैयक्तिकृत सामग्रीची शिफारस करण्याची प्रणाली आणि पद्धत.” यू.एस. पेटंट अर्ज 16/586,512, 1 ऑक्टोबर 2020 रोजी दाखल.

[11]थॉमस, अचिंत, केयूर फाल्दू आणि अदिती अवस्थी. “शैक्षणिक सामग्रीच्या वैयक्तिकृत पुनर्प्राप्तीसाठी श्रेणीबद्ध पद्धतीने सिस्टम आणि पद्धत.” यू.एस. पेटंट अर्ज 16/740,223, 1 ऑक्टोबर 2020 रोजी दाखल.

[12]”#RAISE2020 – Embibe – वैयक्तिकृत शिक्षणासाठी AI-पॉवर्ड लर्निंग परिणाम मंच”, MyGov India, ऑक्टोबर 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

← AI होमवर परत जा