प्रश्नांची उत्तरे स्वयंचलितपणे मिळवण्यासाठी सॉलव्हर टेक्नॉलॉजी
विद्यार्थ्यांना शेकडो परीक्षांच्या पाठ्यक्रमामधील हजारो संकल्पनावर आधारित प्रश्नांचा सराव करण्याची संधी उपलब्ध करून देणारा EdTech प्लॅटफॉर्म म्हणून Embibe प्रश्नांचे विश्लेषण आणि स्टेप नुसार उत्तर प्रदान करतो जेणेकरून विद्यार्थ्यांना तो ठरावीक प्रश्न कसा सोडवतात हे समजून घेण्यास मदत होईल. ही एक मॅन्युअल प्रक्रिया आहे ज्यामध्ये त्या विषयातील मानवी तज्ञ प्रश्न सोडवतात.
जसजसा Embibe मधील प्रश्नांचा डेटाबेस वाढत जातो, तसतसे मॅन्युअली निर्मित उत्तरांवर अवलंबून राहण्यास प्रतिबंध केला जातो. Solver Technology हे तुलनेत नुकतेच विकसित झालेले क्षेत्र आहे आणि या टेक्नॉलॉजीने माध्यमिक स्तरावरील गणितासारख्या काही विशिष्ट डोमेनमधील प्रश्न सोडवण्यासाठी अल्गोरिदम तयार करण्यात काही प्रमाणात यश मिळवले आहे.
मोठ्या प्रमाणात प्रश्नांची उत्तरे आणि स्टेपनुसार उत्तरे स्वयंचलितपणे निर्माण करण्यासाठी Embibe या क्षेत्रात संशोधन करत आहे.
प्रश्नाचे विधान
गणिताचा लेखी प्रश्न दिला असल्यास, सॉलव्हर कोड वापरून ते गणित सोडवा आणि स्टेप बाय स्टेप उत्तर प्रदान करा.गणिताचा लेखी प्रश्न दिला असल्यास, सॉलव्हर कोड वापरून ते गणित सोडवा आणि स्टेप बाय स्टेप उत्तर प्रदान करा.
प्रश्न म्हणजे विद्यार्थ्यांनी विचारलेला कोणत्याही स्वरूपाचा प्रश्न असू शकतो आणि तो एखाद्या विशेष स्वरूपातच असणे आवश्यक नाही. आम्ही हा प्रश्न सोडवण्याचा प्रयत्न करतो आणि सविस्तर उकल देतो.
दृष्टीकोन
संपूर्ण प्रक्रिया अशी असते:
उदाहरणार्थ,
हा CBSE बोर्डाच्या 6व्या इयत्तेमधील प्रश्न आहे:
“अंकात लिहा- दोन लाख पन्नास हजार नऊशे छत्तीस.”
तर, पहिल्या टप्प्यात आम्ही कोणता सॉलव्हर कोड वापरून हा प्रश्न सोडवता येईल याचे अनुमान काढण्याचा प्रयत्न करतो, जो या प्रकरणात “convert_text_to_number” आहे.
पुढील टप्प्यात, आम्ही अनुमानित सॉलव्हरद्वारे हे सोडवण्यामागील युक्तिवाद प्राप्त करतो. या प्रकरणात सॉलव्हरसाठी इनपुट युक्तिवाद असेल “दोन लाख पन्नास हजार नऊशे छत्तीस
मग आपल्याला पूर्ण सॉलव्हर मिळेल:
convert_text_to_number(दोन लाख पन्नास हजार नऊशे छत्तीस).
नंतर आम्ही उत्तर आणि स्टेपनुसार उत्तर मिळवण्यासाठी युक्तिवादाचा उपयोग करून सॉलव्हरचे मूल्यमापन करतो, जे असे दिसते:
चला एखादा दुसरा प्रश्न सविस्तर पाहू:
“सौ. सोनी यांनी 7 ½ लिटर दूध खरेदी केले. यापैकी 5 ¾ लिटर दूध वापरले गेले. त्यांच्याकडे आता किती दूध शिल्लक असेल?”
हे गणित “subtract_fractions_mixed_type(7 1/2, 5 3/4)” सॉलव्हर कोड वापरून सोडवता येऊ शकते.
आपल्याला या स्टेप्समध्ये उकल मिळेल.
उकल
आपण उकल दोन स्टेप्समध्ये विभागू शकतो.
- सॉलव्हर कोड अनुमान
- युक्तिवाद मिळवणे
सॉलव्हर कोड अनुमानामध्ये, दिलेले गणित कोणता सॉलव्हर कोड वापरून सोडवता येऊ शकते याचे अनुमान लावण्याचा प्रयत्न करतो. उदाहरणार्थ, वरील उदाहरणात, “subtract_fractions_mixed_type” हा अचूक सॉलव्हर वापरून दिलेले गणित सोडवता येऊ शकते. आपण T5[1] सारखे डीप लर्निंग जनरेटीव्ह seq2seq मॉडेल वापरू शकतो, जे गणित सोडवण्यासाठी सॉलव्हर कोड तयार करते.
दुसऱ्या चरणाकडे वळण्याआधी, आपल्याकडे प्रत्येक सॉलव्हर कोडसाठी युक्तिवादासह 1 सॉलव्हर नमुना असणे आवश्यक आहे. उदाहरणार्थ, “subtract_fractions_mixed_type” साठी सॉलव्हर नमुना “subtract_fractions_mixed_type(1 2/3, 4 5/6)” अशा प्रकारचा असू शकतो. हे कशाप्रकारे उपयुक्त असते ते आपण पुढे पाहू.
दिलेले गणित सोडवता येईल असा अनुमानित सॉलव्हर कोड मिळाल्यानंतर, आपल्याल प्रश्नाचा युक्तिवाद मिळवावा लागतो. यासाठी देखील आपण T5[1] सारखे जनरेटीव्ह seq2seq मॉडेल वापरू शकतो. ज्ञान आलेखामध्ये [3][4] समाविष्ट केलेल्या अर्थपूर्ण संबंधाचा वापर करण्यासाठी अशा प्रकारच्या भाषा मॉडेलना ज्ञान प्रदान करणाऱ्या संरचनेसह विस्तारित केले जाते. आपण प्रश्नाचे विधान आणि अनुमानित सोवल्हरसाठी सॉलव्हर नमुना प्रदान करू शकतो. आणि आपल्याला T5[1] मॉडेलकडून दिलेल्या प्रश्नासाठी वास्तविक युक्तिवादासह सॉलव्हर कोड मिळू शकतो. अखेरीस आपल्याकडे वरील उदाहरणामधून प्राप्त सॉलव्हर कोड आणि युक्तिवाद असेल म्हणजेच “subtract_fractions_mixed_type(7 1/2, 5 3/4)” असेल.
आपण प्रश्नापासून युक्तिवाद मिळवण्यासाठी तुलनेत सोप्या अशा इतर पद्धती देखील वापरू शकतो. जसे की, जर आपल्याकडे प्रत्येक सॉलव्हरसाठी डेटा टाईप आणि नमुने असतील, जसे या प्रकरणात आपल्याकडे आहेत, तर आपण प्रश्नामधून समान संख्या मिळवण्याचा प्रयत्न करू शकतो.
अशाप्रकारे आपण सॉलव्हर कोडचे अनुमान देतो आणि प्रश्नापासून सॉलव्हर युक्तिवाद मिळवतो. हे दोन्ही प्राप्त झाल्यानंतर, आपल्याला केवळ अचूक उत्तर आणि पायऱ्या पायऱ्यांनी उकल मिळवण्यासाठी सॉलव्हर कोडचे मूल्यांकन करायचे आहे.
संदर्भ
[1] कॉलीन राफेल, नोएम शाझीर, अॅडम रॉबर्ट्स, कॅथरीन ली, शरण नारंग, मायकल मटीना, यांकी झोऊ, वि ली, पीटर जे. ल्यू. “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer”
[2] अमिनी, आईदा, सादिया गॅब्रिएल, पीटर लिन, रिक कॉन्सेल-केडझिओर्स्की, येजिन चॉय आणि हॅनानेह हाजीशिर्झी. “MathQA: Towards interpretable math word problem solving with operation-based formalisms.” arXiv preprint arXiv:1905.13319 (2019).
[3] फाल्डू, केयूर, अमित शेठ, प्रशांत किकानी आणि हेमांग अकबरी. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).
[4] गौर, मानस, केयूर फाल्डू, आणि अमित शेठ. “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.