ମେଟା-ଟ୍ୟାଗ୍ ରାଙ୍କର୍

ମେଟା-ଟ୍ୟାଗ୍ ରାଙ୍କର୍

ଶିକ୍ଷା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା କ୍ଷେତ୍ରରେ, ସମସ୍ତ ଉପଭୋକ୍ତାଙ୍କ ପାଇଁ ବିଷୟବସ୍ତୁକୁ ଉପଲବ୍ଧ ଏବଂ ଖୋଜିବାଯୋଗ୍ୟ କରାଇବା ହେଉଛି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । ତାହା କରିବା ପାଇଁ, କମ୍ପାନୀଗୁଡିକ ଆନୋଟେଟର୍ କିମ୍ବା ବିଷୟବସ୍ତୁ ବିଶେଷଜ୍ଞମାନଙ୍କୁ ନିଯୁକ୍ତି ଦେଇଥାନ୍ତି । ଯେଉଁମାନେ ବିଷୟବସ୍ତୁରେ ଉପଯୁକ୍ତ ଟ୍ୟାଗ୍ କରିଥାନ୍ତି । ଏହି ଟ୍ୟାଗ୍ ଗୁଡିକ ପ୍ରଡକ୍ଟର ଉପଭୋକ୍ତାମାନଙ୍କ ସାମଗ୍ରିକ ଅଭିଜ୍ଞତାକୁ ନେଇ କରାଯାଇଥାଏ ।

Embibe ର ନଲେଜ୍ ଗ୍ରାଫ୍ ରେ 74,000+ ନୋଡ୍ ଅଛି, ପ୍ରତ୍ୟେକଟି ଜ୍ଞାନର ଭିନ୍ନ ଏକକକୁ ଦର୍ଶାଇଥାଏ । ଏହା ସହିତ, 1,89,380 ଆନ୍ତଃସଂଯୋଗ ଓ 2,15,062 ଦକ୍ଷତା ରହିଛି । ଯେହେତୁ ଶହ ଶହ ପାଠ୍ୟକ୍ରମ ପାଇଁ ହଜାର ହଜାର ପରୀକ୍ଷାର ବିଷୟବସ୍ତୁ ରହିଛି, ଏହି ପ୍ରକ୍ରିୟା ଅଧିକ ମହଙ୍ଗା ଏବଂ ସମୟ ସାପେକ୍ଷ ହୋଇଯାଏ । ଅଧିକନ୍ତୁ, ଯେତେବେଳେ ଏକ ଡାଟାସେଟ୍ ର ମାନୁଆଲ୍ ଟ୍ୟାଗିଂ ହୁଏ, ସେଠାରେ ଏକାଧିକ ମାନବ ଆନୋଟେଟର୍ ଡାଟାସେଟର ବିଭିନ୍ନ ସବସେଟ୍ ରେ କାମ କରୁଥିବାରୁ ଏଥିରେ ଭିନ୍ନ ଭିନ୍ନ ଟ୍ୟାଗ୍ ଲାଗିବାର ଆଶଙ୍କା ଅଧିକ ।

ମେଟା ଟ୍ୟାଗ୍ ରାଙ୍କର୍ ମାନୁଆଲ୍ ପ୍ରକ୍ରିୟା ବଦଳରେ ଲୁପ୍ ସେମି-ସ୍ୱୟଂଚାଳିତ ଟ୍ୟାଗିଂ ପ୍ରକ୍ରିୟା ମାଧ୍ୟମରେ ବ୍ୟକ୍ତିମାନଙ୍କ ଦ୍ୱାରା କରାଯାଉଥିବା ଟ୍ୟାଗ୍ ରେ ତ୍ରୁଟି ଓ ସମସ୍ୟାକୁ ଦୂରାଇବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି । ମେଟା ଟ୍ୟାଗ୍ ରାଙ୍କର୍ ହେଉଛି ବିଷୟବସ୍ତୁ ବିଶେଷଜ୍ଞମାନଙ୍କ ପାଇଁ ନିର୍ମିତ ଏକ ଉପକରଣ, ଯାହାକି Embibe ପ୍ଲାଟଫର୍ମ ଦ୍ୱାରା ସମର୍ଥିତ ସମସ୍ତ ଲକ୍ଷ୍ୟ ପାଇଁ ଯେକୌଣସି ପ୍ରଦତ୍ତ ପ୍ରଶ୍ନର ବିଷୟ, ୟୁନିଟ୍, ଅଧ୍ୟାୟ, ଟପିକ୍ ଏବଂ କନସେପ୍ଟକୁ ଟ୍ୟାଗ୍ କରିବା ପାଇଁ ପରାମର୍ଶ ଦେଇଥାଏ । ଆହୁରି ମଧ୍ୟ, ଏହା ପ୍ରଶ୍ନର କଠିନତା ସ୍ତର, ଆଦର୍ଶ ସମୟ ଏବଂ ବ୍ଲୁମ୍ ସ୍ତର ପାଇଁ ପରାମର୍ଶ ପ୍ରଦାନ କରିଥାଏ ।

ଦୁଇଟି ଉଦାହରଣ ସହିତ ଏହା କିପରି କାର୍ଯ୍ୟ କରେ ତାହା ଦେଖିବା ।

ମେଟା ଟ୍ୟାଗ୍ ରାଙ୍କର୍ ଏକ୍ସଟ୍ରିମ୍ ମଲ୍ଟିକ୍ଲାସ୍ ଶ୍ରେଣୀକରଣ ସମସ୍ୟା (XMC) ଉପରେ ଆଧାରିତ [1][2] | Embibe ପାଇଁ, ଯେକୌଣସି ପ୍ରଦତ୍ତ ପ୍ରଶ୍ନ ନିମନ୍ତେ 74,000+ ଶ୍ରେଣୀ କିମ୍ବା କନସେପ୍ଟ ରହିଛି । ଶ୍ରେଣୀଗୁଡ଼ିକ ପାରସ୍ପରିକ ସ୍ୱତନ୍ତ୍ର ନୁହେଁ ଯଥା, କନସେପ୍ଟଗୁଡ଼ିକର ପ୍ରକୃତି ହେଉଛି ଏହା ଅର୍ଥଗତ ଭାବରେ ଓଭରଲ୍ୟାପ୍ କରିଥାଏ । XMC ପାଇଁ ଅନ୍ୟ ଆହ୍ୱାନ ହେଉଛି ଡାଟାସେଟର ବଣ୍ଟନ କରିବା । ସମସ୍ତ ଶ୍ରେଣୀ କିମ୍ବା କନସେପ୍ଟରେ ପର୍ଯ୍ୟାପ୍ତ ସଂଖ୍ୟକ ଡାଟା ପଏଣ୍ଟ ନାହିଁ, ଯେପରିକି କିଛି ଶ୍ରେଣୀର ବହୁତ ଡାଟା ପଏଣ୍ଟ ଥିବାବେଳେ ଅନ୍ୟମାନଙ୍କ ପାଖରେ ବହୁତ କମ୍ ଥାଏ, ଯାହାକି ମଡେଲ ଭବିଷ୍ୟବାଣୀ ଦ୍ୱାରା ଅଳ୍ପ ତଥ୍ୟ ପଏଣ୍ଟ ସହିତ ଶ୍ରେଣୀକୁ ନେଇପାରେ । ପ୍ରାକୃତିକ ଭାଷା ବୁଝିବା ପାଇଁ ମେଟା ଟ୍ୟାଗ୍ ରାଙ୍କର୍ ଆର୍ଟ ଗଭୀର ଶିକ୍ଷଣ କୌଶଳର ସ୍ଥିତିକୁ ବ୍ୟବହାର କରିଥାଏ । ଏହା ନ୍ୟୁରାଲ୍ ମଡେଲଗୁଡିକର ଦକ୍ଷତା ବୃଦ୍ଧିରେ ଏହା ନଲେଜ୍ ଗ୍ରାଫ୍ ମଧ୍ୟ ବ୍ୟବହାର କରିଥାଏ [3] । ମଡେଲ ଦ୍ୱାରା ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ଓ ବର୍ଣ୍ଣନାଯୋଗ୍ୟ ଭବିଷ୍ୟବାଣୀଗୁଡ଼ିକ ପ୍ରଡକସନ୍ ସେଟିଂରେ ଏହି ଦକ୍ଷତାକୁ ନିୟୋଜିତ କରିବା ପାଇଁ ଶିକ୍ଷାବିତ୍ ମାନଙ୍କୁ ବିଶ୍ୱାସ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ [4][5] | ଏହିପରି ସମୃଦ୍ଧ ବିଷୟବସ୍ତୁ ଅଟୋ ଟେଷ୍ଟ ଜେନେରେସନ୍ [5][7] ଏବଂ ଡେଲିଭର ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ କରିବାର କ୍ଷମତାକୁ ସଶକ୍ତ କରେ [6] ।

ପୁସ୍ତକ, ପ୍ରଶ୍ନ ଏବଂ ଲର୍ଣ୍ଣିଂ ଭିଡିଓ ପାଇଁ AI ସୁବିଧା କରି ମେଟା ଟ୍ୟାଗ୍ ଜେନେରେଟର ମାନୁଆଲ୍ ଟ୍ୟାଗ୍ ସୃଷ୍ଟି ପାଇଁ ଲାଗୁଥିବା ହଜାର ହଜାର ଘଣ୍ଟା ସଞ୍ଚୟ କଲା । ଏହା ମଧ୍ୟ ବିଭିନ୍ନ ଗ୍ରେଡ୍ ଓ ବିଷୟଗୁଡିକ ପାଇଁ ବିଷୟବସ୍ତୁ ଜ୍ଞାନର ଆବଶ୍ୟକତାକୁ ହ୍ରାସ କଲା ।  ଭିଡିଓ ଓ 3D ଆସେଟ୍ ସୃଷ୍ଟି ପାଇଁ Embibe ସ୍ପିଚ୍ ମେଟା ଟ୍ୟାଗ୍ ମଧ୍ୟ ପ୍ରସ୍ତୁତ କରୁଛି ।

ସନ୍ଦର୍ଭ:

[1] Chang, Wei-Cheng, Hsiang-Fu Yu, Kai Zhong, Yiming Yang, and Inderjit S. Dhillon. “Taming pretrained transformers for extreme multi-label text classification.” In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 3163-3171. 2020.

[2] Dahiya, Kunal, Deepak Saini, Anshul Mittal, Ankush Shaw, Kushal Dave, Akshay Soni, Himanshu Jain, Sumeet Agarwal, and Manik Varma. “DeepXML: A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents.” In Proceedings of the 14th ACM International Conference on Web Search and Data Mining, pp. 31-39. 2021.[arXiv]

[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] 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).

[6] 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.

[7] Desai, Nishit, Keyur Faldu, Achint Thomas, and Aditi Avasthi. “System and method for generating an assessment paper and measuring the quality thereof.” U.S. Patent Application 16/684,434, filed October 1, 2020.

← AI ହୋମ୍‌କୁ ଫେରନ୍ତୁ