ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ AI ଷ୍ଟାକ୍ ଗଠନ

ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ AI ଷ୍ଟାକ୍ ଗଠନ

Embibe ପ୍ରତିଷ୍ଠା ହେବା ଠାରୁ ହିଁ ଏକ ଡାଟା-ଚାଳିତ, ଡାଟା-କୈନ୍ଦ୍ରିକ, ଡାଟା ଆଶାୟୀ କମ୍ପାନୀ ଭାବେ ନିଜର ପରିଚୟ ପାଇଛି । କମ୍ପାନୀ ପ୍ରଥମରୁ ଜାଣିଛି ଯେ ପ୍ରତ୍ୟେକ ଶିକ୍ଷାର୍ଥୀଙ୍କ ପାଇଁ ଶିକ୍ଷାକୁ ପର୍ସନାଲାଇଜେସନ୍ କରିବାରେ ସକ୍ଷମ ହେବାରେ ତଥ୍ୟ ହେଉଛି ପ୍ରମୁଖ ଉପାଦାନ । ତେବେ, ଡାଟା କେବଳ ଅଧା କାର୍ଯ୍ୟ କରିଥାଏ । ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ଶିକ୍ଷାର ପର୍ସନାଲାଇଜେସନ୍ ହେଉଛି ଏକ ଚ୍ୟାଲେଞ୍ଜିଂ ସମସ୍ୟା ଯାହା ପାଇଁ ଉନ୍ନତ ଆଲଗୋରିଦମଗୁଡିକର ଇଣ୍ଟରପ୍ଲେ ଆବଶ୍ୟକ ହୋଇଥାଏ, ଯାହା ଏକାଧିକ ସବ୍-ଡୋମେନ୍ ମଧ୍ୟରେ ବିପୁଳ ପରିମାଣର ତଥ୍ୟକୁ ବ୍ୟବହାର କରିପାରିବ ।

Embibe ରେ, ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଜନ୍ମରୁ କେହି ନେତୃତ୍ୱ ନେବା ଶିଖି ନଥାଏ, ସେମାନେ ସମୟ ସହିତ ଗଢି ଉଠିଥାନ୍ତି ଏବଂ ଏହି ଯାତ୍ରାରେ ହଜାର ହଜାର ଛୋଟ ଶିକ୍ଷାଠାରୁ ସେମାନେ ଅଭିଜ୍ଞତା ସାଉଁଟିଥାନ୍ତି । ବିଗତ ଆଠ ବର୍ଷ ମଧ୍ୟରେ, Embibe ଏହାର ଡାଟା ସଂଗ୍ରହ ଏବଂ ବ୍ୟାଖ୍ୟା କ୍ଷମତାକୁ କଠିନ ପରିଶ୍ରମ କରି ଏକ ସମ୍ମାନଜନକ ସ୍ଥିତିରେ ପହଞ୍ଚାଇଛି ଏବଂ ଏହାର ପ୍ଲାଟଫର୍ମ ବ୍ୟବହାର କରୁଥିବା ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ପାଇଁ ଏକ ଅନୁପଯୁକ୍ତ ବ୍ୟକ୍ତିଗତ ଶିକ୍ଷା ଅଭିଜ୍ଞତା ପ୍ରଦାନ କରିବାକୁ ଉନ୍ନତ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଓ କୌଶଳ ସହିତ ଏସବୁ ଡାଟା ବ୍ୟବହାର କରିଛି । ଆମେ EdTechର ଡାଟା-ଚାଳିତ ପର୍ସନାଲାଇଜେସନ୍ ପାଇଁ Embibe ର ଆଦର୍ଶରେ ପରିଚାଳିତ ହେଉଛୁ ।

ଡାଟା କ୍ୟାପଚର୍ ଓ ସଂଗ୍ରହ କରିବା

ଡାଟା ଯଦି ଠିକ୍ ଭାବେ କାର୍ଯ୍ୟକାରୀ, ବାରମ୍ବାର ସଂଗ୍ରହ, ସଂପାଦନା ନହେଲା ତାହା ୟୁଜର ପାଇଁ ଉପଯୋଗୀ ହୁଏ ନାହିଁ । ଉଦାହରଣ ସ୍ୱରୁପ, Embibe ଗତ ଆଠ ବର୍ଷ ମଧ୍ୟରେ ଏକ ପ୍ରାକ୍ଟିସ୍ କିମ୍ବା ଟେଷ୍ଟ ପ୍ରଶ୍ନର ପ୍ରୟାସ ପ୍ରାୟ ସମସ୍ତ ମାଇକ୍ରୋ-ଇଭେଣ୍ଟ ପରି ପ୍ରଶ୍ନର ପ୍ରଥମ ଦେଖାଯିବାର ସମୟ, ସଦ୍ୟତମ ସେଭ୍ ହୋଇଥିବା ସମୟ, ପ୍ରତ୍ୟେକ ରି-ଭିଜିଟ୍ ର ସମୟ, ପ୍ରତ୍ୟେକ ଭିଜିଟ୍ ରେ ଉତ୍ତର ବିକଳ୍ପ ବଦଳିବା, ପ୍ରଶ୍ନୋତ୍ତର ଅଭ୍ୟାସ ପ୍ରୟାସରେ ବ୍ୟବହୃତ ହିଣ୍ଟ୍, ଟେଷ୍ଟ ସେସନ୍ ରେ କ୍ରମ ବାହାରୁ ପ୍ରଶ୍ନ ଇତ୍ୟାଦି ସୂକ୍ଷ୍ମ ଡାଟା କ୍ୟାପଚର କରିବାରେ ବହୁ ସମୟ ଓ ସମ୍ବଳ ବିନିଯୋଗ କରିଛି । ସମୃଦ୍ଧ ଟାଇପ୍ ଡାଟା କ୍ୟାପଚର କରିବାକୁ Embibe ର ଦକ୍ଷତା ରହିଛି, ତେବେ:

• ୟୁଜର-ପାରସ୍ପରିକ ସୁସ୍ପଷ୍ଟ ଇଭେଣ୍ଟ – କ୍ଲିକ୍, ଟ୍ୟାପ୍, ହୋଭର, ସ୍କ୍ରୋଲ୍, ଟେକ୍ସଟ୍-ଅପଡେଟ୍ 
• ୟୁଜର-ପାରସ୍ପରିକ ଅସ୍ପଷ୍ଟ ଇଭେଣ୍ଟ – କର୍ସର୍ ସ୍ଥିତି, ଟ୍ୟାପ୍ ପ୍ରେସର୍, ଉପକରଣ ଆଭିମୁଖ୍ୟ 
• ସିଷ୍ଟମ୍ ଦ୍ୱାରା ଉତ୍ପନ୍ନ ସର୍ଭର-ସାଇଡ୍ ଇଭେଣ୍ଟ – ପେଜ୍ ଲୋଡ୍, ସେସନ୍ ରିଫ୍ରେସ୍, API କଲ୍ 
• ସିଷ୍ଟମ୍ ଦ୍ୱାରା ଉତ୍ପନ୍ନ କ୍ଲାଏଣ୍ଟ-ସାଇଡ୍ ଇଭେଣ୍ଟ – ସିଷ୍ଟମ୍ ପୁସ୍ ନୋଟିଫିକେସନ୍ ଓ ଟ୍ରିଗର 

ଡୋମେନ୍ ଉପରେ ଦକ୍ଷତା

ସାଧାରଣତଃ ବିଶେଷଜ୍ଞମାନଙ୍କୁ ଏହା ଜଣା ଯେ ସୂଚନା ଅନ୍ୟକୁ ଜଣାଉନଥିବା ଡାଟା ବୈଜ୍ଞାନିକମାନେ କ୍ୟାପଚର ହୋଇଥିବା ଡାଟାକୁ ଆହୁରି ସମୃଦ୍ଧ କରିବାରେ ସକ୍ଷମ ହୋଇପାରନ୍ତି ନାହିଁ କାରଣ ସେମାନଙ୍କର ଅର୍ଥପୂର୍ଣ୍ଣ ଅନ୍ତର୍ନିହିତ ସୂଚନା ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ ପ୍ରସଙ୍ଗ ଏବଂ ଡୋମେନ୍ ଜ୍ଞାନ ନାହିଁ । Embibe ଏହା ବୁଝେ ଏବଂ ଡାଟା ବୈଜ୍ଞାନିକ ଓ ଏକାଡେମିକ୍ ବିଶେଷଜ୍ଞଙ୍କ ମଧ୍ୟରେ ପର୍ଯ୍ୟାପ୍ତ ପରିମାଣର ଓଭରଲ୍ୟାପ୍ ସୁନିଶ୍ଚିତ କରିଥାଏ ।

ଏକାଡେମିକ୍ ଡାଟାର ପ୍ରସ୍ତୁତି: ପବ୍ଲିକ୍ ଡୋମେନ୍ ରେ ଉପଲବ୍ଧ ନଥିବା ଏକାଡେମିକ୍ ଡାଟାର ସୃଷ୍ଟି ଓ କ୍ୟୁରେସନ୍ ପାଇଁ Embibe ସମୟ ଓ ସମ୍ବଳ ବିନିଯୋଗ କରିଛି । ଉଦାହରଣ ସ୍ୱରୁପ, ବର୍ଷକ ମଧ୍ୟରେ 30 ଜଣ ଫ୍ୟାକଲ୍ଟିଙ୍କ ଏକ ଟିମ୍ 62K କନସେପ୍ଟର ଏକ ନଲେଜ୍ ଟ୍ରି ସୃଷ୍ଟି କରିଛନ୍ତି, ଯେଉଁଥିରେ  ସେମି-ସୁପରଭାଇଜଭ୍ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରି ଲକ୍ଷ ଲକ୍ଷ ଆନ୍ତଃସଂଯୋଗ ରହିଛି । ପ୍ରତ୍ୟେକ କନସେପ୍ଟରେ 426 ମେଟା ଭେରିଏବଲ୍ ଥାଇ ମୋଟ ଦଶ ଲକ୍ଷ ମେଟା-ଭେରିଏବଲ୍ ସୃଷ୍ଟି ହୋଇଛି । ଡାଉନଷ୍ଟ୍ରିମ୍ ଆଲଗୋରିଦମ୍ ପାଇଁ ଦକ୍ଷ ଡାଟା ସୃଷ୍ଟି କରିବା ଲାଗି ଏହି ଟିମ୍ ମେଟା ଟ୍ୟାଗ୍ ପାଇଁ ନଲେଜ୍ ଟ୍ରି ଉପରେ କନସେପ୍ଟ, ପରୀକ୍ଷା ସିଲାବସ୍, କୌଶଳ, କଠିନତା ସ୍ତର, ଆଦର୍ଶ ସମୟ, ବ୍ଲୁମ୍ ସ୍ତର ଭଳି ହଜାର ହଜାର ପ୍ରଶ୍ନକୁ ମାନୁଆଲ ଭାବରେ ଟ୍ୟାଗ୍ କରିଛି ।

ଏକାଡେମିକ୍ + ବିଜ୍ଞାନ: ଡାଟା ବୈଜ୍ଞାନିକ ଓ ଏକାଡେମିସିଆନ୍ ଏକାଠି ଏକ ଲର୍ଣ୍ଣିଂ କର୍ଭରେ କାମ କରନ୍ତି । ଉଦାହରଣ ସ୍ୱରୁପ, ବୈଜ୍ଞାନିକମାନଙ୍କୁ ଜାଣିବାକୁ ପଡିବ ଯେ ଟେଷ୍ଟ ସ୍ଥିର କରିବା ସମୟରେ ଏକାଡେମିସିଆନମାନେ କେଉଁ ପାରାମିଟରଗୁଡିକ ବିଚାର କରନ୍ତି, ସେମାନେ କିପରି ପରିବର୍ତ୍ତନ ଆଣନ୍ତି, ଏବଂ ସେମାନେ କିପରି ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ପାଇଁ ଟେଷ୍ଟକୁ ବ୍ୟକ୍ତିଗତ କରିଥାନ୍ତି । ଆଲଗୋରିଦମିକ୍ କୋଡ୍ ସହିତ ଏକାଡେମିକ୍ ଜ୍ଞାନର ଏହି ରୂପାନ୍ତରଣ ସମୟ ସାପେକ୍ଷ ଏବଂ ବୈଜ୍ଞାନିକ ପୁଲ୍ ରେ ଡୋମେନ୍ ପାରଦର୍ଶିତା ସୃଷ୍ଟି କରିଥାଏ । ଡାଟା ମାଇନିଂ କୌଶଳ ବ୍ୟବହାର କରି ହଜାର ହଜାର ବାକ୍ୟାଂଶର ଏକ ଏକାଡେମିକ୍ କର୍ପସ୍ ସୃଷ୍ଟି କରିବାକୁ Embibe ଫାକଲ୍ଟି-ବୈଜ୍ଞାନିକ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପକୁ ମଧ୍ୟ ବ୍ୟବହାର କରିଥିଲେ ।

ପର୍ସନାଲାଇଜଡ୍ EdTech ପ୍ଲାଟଫର୍ମ ଗଠନ ପାଇଁ ଡାଟା ଓ AI ବ୍ୟବହାର

ଦୀର୍ଘ ସମୟ ଧରି ପ୍ରାଥମିକ ଡାଟା ହାସଲ କରାଯାଇଛି । ୟୁଜର ହାସଲ କରିବା ପାଇଁ ଯଦି କେହି ପ୍ରଚୁର ଅର୍ଥ ଖର୍ଚ୍ଚ କରନ୍ତି, ତେବେ ସମୟ ସହିତ ସେମାନଙ୍କ ପାଖରେ ନିୟୋଜିତ କରିବା ଭଳି ପର୍ଯ୍ୟାପ୍ତ ଡାଟା ନ ଥାଇପାରେ କାରଣ ୟୁଜରମାନେ ସିଷ୍ଟମ ସହିତ ଯଥେଷ୍ଟ ଗତିବିଧି କରିନଥିବେ । Embibe ଏହାର ସମସ୍ତ ତଥ୍ୟର ମାଲିକାନା ନିଜ ପାଖରେ ରଖିଛି ଏବଂ EdTechକୁ ବ୍ୟକ୍ତିଗତ କରିବା ପାଇଁ ଅନେକ ପରସ୍ପର ସହ ସଂଯୁକ୍ତ ଛୋଟ ଛୋଟ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଉନ୍ନତ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରି ଏହି ଡାଟାକୁ ବ୍ୟବହାର କରୁଛି ।

ସ୍ମାର୍ଟ ଟ୍ୟାଗିଂ: ପ୍ରଶ୍ନଗୁଡ଼ିକୁ କନସେପ୍ଟ, ଟପିକ୍ ଇତ୍ୟାଦିରେ ଟ୍ୟାଗିଂ କରିବାରେ ପାଠ୍ୟ ସୂଚନାର ମୂଳ ବିଷୟ ଏକାଡେମିକ୍ କିୱାର୍ଡରେ ରହିଛି । ପବ୍ଲିକ ଡୋମେନ୍ ରେ ଏକତ୍ରିତ ଏକାଡେମିକ୍ କିୱାର୍ଡ ଅଭିଧାନରେ ଉପଲବ୍ଧ ନାହିଁ । ଅଧିକନ୍ତୁ, ଏକାଡେମିକ୍ କିଓ୍ୱାର୍ଡଗୁଡ଼ିକୁ ଅଣ-ଏକାଡେମିକ୍ ଠାରୁ ପୃଥକ କରିବା କଷ୍ଟକର । ‘end’ ପରି ଏକ ଅଣ-ଏକାଡେମିକ୍ ଶବ୍ଦ ପ୍ରକୃତରେ ଉପଯୁକ୍ତ ପ୍ରସଙ୍ଗରେ ଏକାଡେମିକ୍ ଅଟେ, ଉଦାହରଣ ସ୍ୱରୂପ, “force applied at the end of string” । Embibeର ସ୍ମାର୍ଟ ଟ୍ୟାଗିଂ ଆଲଗୋରିଦମଗୁଡିକ 82% ପ୍ରଶ୍ନର ଟ୍ୟାଗ୍ କରିବାକୁ ସବୁଠାରୁ ପ୍ରାସଙ୍ଗିକ କନସେପ୍ଟଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିପାରିବ, ସେହି ତୁଳନାରେ କ୍ରାଉଡ୍-ସୋର୍ସ ଫାକଲ୍ଟିଙ୍କ ଦ୍ୱାରା ମାତ୍ର 18% ହୋଇଥାଏ ।

ସ୍ୱୟଂଚାଳିତ ଟେଷ୍ଟ ଜେନେରେସନ୍: ଉପରେ ବର୍ଣ୍ଣିତ ବୈଜ୍ଞାନିକ-ଫ୍ୟାକଲ୍ଟିଙ୍କ କାର୍ଯ୍ୟ Embibeର ସ୍ୱୟଂଚାଳିତ ଟେଷ୍ଟ ଜେନେରେସନ୍ ମଡ୍ୟୁଲ୍ ସୃଷ୍ଟି ହୋଇଥିଲା ଯାହାକି ପ୍ରାୟ 62,000 କନସେପ୍ଟ, କଠିନତା ସ୍ତର, ଆଦର୍ଶ ସମୟ, ବ୍ଲୁମ୍ ସ୍ତର, କୌଶଳ ସହିତ ଟ୍ୟାଗ୍ ହୋଇଥିବା ଲକ୍ଷ ଲକ୍ଷ ପ୍ରଶ୍ନକୁ ନେଇ ପ୍ରସ୍ତୁତ ଅନେକ ପରୀକ୍ଷାର ଶହ ଶହ ଟେଷ୍ଟ ପ୍ରଶ୍ନପତ୍ର ସୃଷ୍ଟି କରିବାରେ ବ୍ୟବହୃତ ହୋଇଥିଲା । ମଡ୍ୟୁଲ୍ ଏକ ଅତ୍ୟାଧୁନିକ ହାଇବ୍ରିଡ୍ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରେ ଯାହା ସିମୁଲେଡ୍ ଆନେଲିଙ୍ଗ୍ ଏବଂ ଜେନେଟିକ୍ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରି ଖୁବ୍ କମ୍ ସମୟରେ ନୂତନ ଟେଷ୍ଟ ପ୍ରଶ୍ନପତ୍ର ତିଆରି କରେ । ଏହା କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ପରୀକ୍ଷାର ସ୍ତର ସହିତ ମେଳ ଖାଇଥାଏ । ଏହି କାମ କରିବାକୁ ଅଭିଜ୍ଞ ଅଧ୍ୟାପକମାନଙ୍କୁ ବହୁତ ସମୟ ଲାଗିଥାନ୍ତା ।

ଆଚରଣଭିତ୍ତିକ ଲକ୍ଷ୍ୟ ସେଟିଂ ଏବଂ ସ୍କୋରରେ ସୁଧାର ପୂର୍ବାନୁମାନ: ଅନେକ ଆଚରଣବିଧି କେସ୍ ଷ୍ଟଡି, ଅଧ୍ୟାପିକା ଡୋମେନ୍ ଜ୍ଞାନ ଏବଂ ପରିସଂଖ୍ୟାନ ପାର୍ଟନ ମାଇନିଂ ଥିବାରୁ Embibe ଜାଣେ କିପରି ଲୁକାୟିତ ଆଚରଣଗତ ଗୁଣଗୁଡିକ ମାପ ଏବଂ ଉନ୍ନତି କରାଯିବ । ହଜାର ହଜାର ପରିସାଂଖ୍ୟିକ ବୈଧ ମୂଲ୍ୟାଙ୍କନ ଆଧାରରେ ଆମେ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଆଚରଣଗତ ଗୁଣଗୁଡିକ ଚିହ୍ନଟ କରିବା, ପ୍ରଗତିଶୀଳ ଲକ୍ଷ୍ୟ ସ୍ଥିର କରିବା ଏବଂ ସେହି ଉନ୍ନତିଗୁଡିକ ଉପରେ ଆଧାର କରି ସ୍କୋରରେ ଉନ୍ନତିର ପୂର୍ବାନୁମାନ କରିବାକୁ ସକ୍ଷମ ଅଟୁ ।

Embibe ସ୍କୋର୍ ଅନୁପାତ: ଇଭେଣ୍ଟ ସ୍ତରରେ କଏଦ ହୋଇଥିବା ସବିଶେଷ ଡାଟା ସଙ୍କେତ ସହିତ ଶହ ଶହ ହାଇପୋଥେସିସ୍ ଠାରୁ ଅନେକ ଉଚ୍ଚ ପ୍ରଭାବ ବୈଶିଷ୍ଟ୍ୟକୁ Embibe ସଫଳତାର ସହିତ ଚିହ୍ନଟ କରିଛି । ଆମେ 94% ସଠିକତା ସହିତ ସ୍କୋରକୁ ଆକଳନ କରିବାରେ ସକ୍ଷମ ହୋଇଛୁ ଏବଂ ଏକାଡେମିକ୍ ଅନୁପାତ ଫର୍ମଗୁଡିକ 61% ଓ ପରୀକ୍ଷାମୂଳକ ସ୍କୋରଗୁଡିକର ଆଚରଣଗତ ଫର୍ମଗୁଡିକ 39% ସ୍ଥିର କରିବାକୁ ସକ୍ଷମ ଅଟୁ । ପ୍ଲାଟଫର୍ମରେ ଶହ ଶହ ୟୁଜର ପରୀକ୍ଷଣର ଉପଲବ୍ଧତା ହେତୁ ମଡେଲ୍ ଏକତ୍ର ହୋଇପାରିଥିଲା । ସ୍ଥାନାନ୍ତର ଶିକ୍ଷା ସହିତ, ଅନ୍ୟ ପରୀକ୍ଷା ପାଇଁ ବୁଟ-ଷ୍ଟ୍ରାପିଂ ମଡେଲଗୁଡିକ ଅତି ସହଜ ହୋଇଗଲା ।

ପ୍ରୟାସ ଭିତ୍ତିକ ସ୍କୋର୍ ରେ ସୁଧାର: Embibeର ପ୍ଲାଟଫର୍ମରେ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍‌ର ପ୍ରତ୍ୟେକ ପାରସ୍ପରିକ କ୍ରିୟା ମାପ କରାଯାଇଥାଏ । ଚାରିବର୍ଷ ଧରି ବିଗତ ଡାଟା ଓ ଫୋକସ୍ ଗବେଷଣା Embibeର ଅଫରିଂକୁ ବୈଧ କରେ ଏବଂ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍‌କୁ ଅପ୍ଟିମାଇଜ୍ କରିବାକୁ ଆଗକୁ ସାହାଯ୍ୟ କରେ । ଉଚ୍ଚ ପ୍ରୟାସ କୋହର୍ଟରେ ଶିକ୍ଷାର୍ଥୀମାନେ ~50% ନେଟ୍ ସ୍କୋରର ସୁଧାର ହାସଲ କରନ୍ତି ।

ବିଷୟବସ୍ତୁ ଅନ୍ୱେଷଣ ଓ ସୁପାରିଶ: ଗତ ଆଠ ବର୍ଷ ମଧ୍ୟରେ ଯେହେତୁ ଶିକ୍ଷାର୍ଥୀମାନେ ଆମର ପ୍ଲାଟଫର୍ମ ସହ ଇଣ୍ଟରାକ୍ଟ କରୁଥିଲେ, ସେହିବର୍ଷମାନଙ୍କରେ ସଂଗୃହିତ ବିପୁଳ ପରିମାଣର ଡାଟା ବ୍ୟବହାର କରି Embibeର ସର୍ଚ୍ଚ-ଆଧାରିତ UI ସଦୃଢ ହୋଇଛି । ଆମର ସର୍ଚ୍ଚ ଇଞ୍ଜିନ୍ ଯାହା ୟୁଜର ସର୍ଚ୍ଚ ଆଧାରରେ ବିଷୟବସ୍ତୁ ପ୍ରଦାନ କରିଥାଏ, ୟୁଜର କୋହର୍ଟ ଆସାଇନମେଣ୍ଟ୍, ଅତୀତ ସର୍ଚ୍ଚ ଧାରା ଓ ୟୁଜରମାନଙ୍କ ଅତୀତ ଇଣ୍ଟରାକ୍ସନ ଆଧାରରେ ପରୀକ୍ଷାର ବିଷୟବସ୍ତୁ କଠିନତାକୁ ନେଇ ସେହି ସମୟରେ ପ୍ରଯୁଜ୍ୟ ଫଳାଫଳକୁ ପୁନଃ ସ୍ଥାନିତ କରେ । ଲକ୍ଷ ଲକ୍ଷ ସମ୍ଭାବ୍ୟ ମିଶ୍ରଣର ଏକ ମିଳିତ ସର୍ଚ୍ଚ ସ୍ଥାନ ବାଛିବା ପାଇଁ 25ଟି ଗୁରୁତ୍ୱ କାରକରୁ ବଛାଯାଇଥାଏ ଏବଂ ପୁନଃ ରାଙ୍କ୍ କରାଯାଇଥାଏ । ପୁନଶ୍ଚ, ପର୍ଯ୍ୟାପ୍ତ ତଥ୍ୟ ଉପଲବ୍ଧ ହେଲେ ପ୍ଲାଟଫର୍ମ ସହିତ ସେମାନଙ୍କର ଅତୀତର ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପ ଆଧାରରେ କିମ୍ବା ତଥ୍ୟ ପର୍ଯ୍ୟାପ୍ତ ପରିସ୍ଥିତିରେ ଲୁକ୍କାୟିତ ୟୁଜରଙ୍କ ଅନୁସାରେ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କୁ ସେମାନଙ୍କ ସମୟ ଉପରେ ଧ୍ୟାନ ଦେବା ପାଇଁ ଲକ୍ଷ୍ୟ ରଖାଯାଇଥିବା ବିଷୟବସ୍ତୁ ସୁପାରିଶ କରାଯାଇଥାଏ ।

EdTech ପାଇଁ AI ପ୍ଲାଟଫର୍ମ ହେବାକୁ କ’ଣ ଆବଶ୍ୟକ

ଆଜିର ଦୁନିଆରେ ଅନେକ EdTech କମ୍ପାନୀ ରହିଛି । ଏହି କମ୍ପାନୀଗୁଡିକ ମଧ୍ୟରୁ ଅଧିକାଂଶ କେବଳ ସମାଧାନ ହେବାକୁ ଥିବା ସମସ୍ୟାଗୁଡିକର କିଛି ଉପସେଟ୍ ଉପରେ ଧ୍ୟାନ ଦିଅନ୍ତି ଯାହା ଶିକ୍ଷାକୁ ବ୍ୟକ୍ତିଗତ କରିବା ଏବଂ EdTech ପାଇଁ ଏକ AI ଚାଳିତ ପ୍ଲାଟଫର୍ମ ନିର୍ମାଣ କରନ୍ତି । ନିମ୍ନରେ ଥିବା ସାରଣୀଟି ଏକ EdTech କମ୍ପାନୀର ବିବର୍ତ୍ତନକୁ ଦର୍ଶାଉଛି ଯେହେତୁ ଏହା ଏକ ଟେଷ୍ଟ ପ୍ରିପ୍ ପୋର୍ଟାଲ୍ ରୁ ଏକ ପ୍ରକୃତ EdTech ପ୍ଲାଟଫର୍ମ ହେବାକୁ ଯାଉଛି:

କଣ୍ଟେଣ୍ଟ୍	ଆଟେମ୍ପଟ୍ ଡାଟା	ଡୋମେନ୍ ବିଶେଷଜ୍ଞତା	ନଲେଜ୍ ଗ୍ରାଫ୍	ଡାଟା ସାଇନ୍ସ ଲ୍ୟାବ୍	ସମ୍ଭାବନା
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 250+ ପ୍ରଶ୍ନ, (2) ଅତିକମ୍‌ରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ, (3) 10ଟି ସମ୍ପୂର୍ଣ୍ଣ ଟେଷ୍ଟ					ମୌଳିକ ଟେଷ୍ଟ ପାଇଁ ପ୍ରସ୍ତୁତି
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 250+ ପ୍ରଶ୍ନ, (2) ଅତିକମ୍‌ରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ, (3) 10ଟି ସମ୍ପୂର୍ଣ୍ଣ ଟେଷ୍ଟ	ପ୍ରଶ୍ନଗୁଡିକର ୟୁଜର-ସ୍ତରୀୟ ପ୍ରୟାସର କେତେକ ସର୍ବନିମ୍ନ ସଂଖ୍ୟା				> ମୌଳିକ ଟେଷ୍ଟ ପ୍ରସ୍ତୁତି + ୟୁଜର ସ୍ତରୀୟ ମୌଳିକ ଫିଡବ୍ୟାକ୍ ଆନାଲିଟିକ୍ସ
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 500+ ପ୍ରଶ୍ନ, (2) ଅତିକମ୍‌ରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ, (3) 10ଟି ସମ୍ପୂର୍ଣ୍ଣ ଟେଷ୍ଟ, (4) ଅଧ୍ୟାୟ ପ୍ରତି 5ଟି ଲର୍ଣ୍ଣ କଣ୍ଟେଣ୍ଟ୍(ଭିଡିଓ, ଟେକ୍ସଟ୍, ଲିଙ୍କ୍)	ପ୍ରଶ୍ନଗୁଡିକର ୟୁଜର-ସ୍ତରୀୟ ପ୍ରୟାସର କେତେକ ସର୍ବନିମ୍ନ ସଂଖ୍ୟା				ମୌଳିକ ଟେଷ୍ଟ ପ୍ରସ୍ତୁତି + ମୌଳିକ ଫିଡବ୍ୟାକ୍ ଆନାଲିଟିକ୍ସ + ଲର୍ଣ୍ଣ
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 500+ ପ୍ରଶ୍ନ, (2) ଅତିକମ୍‌ରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ, (3) 10ଟି ସମ୍ପୂର୍ଣ୍ଣ ଟେଷ୍ଟ, (4) ଅଧ୍ୟାୟ ପ୍ରତି 5ଟି ଲର୍ଣ୍ଣ କଣ୍ଟେଣ୍ଟ୍	ସମସ୍ତ ପ୍ରଶ୍ନ ଉପରେ ~6 ମିଲିୟନ୍ ପର୍ଯ୍ୟନ୍ତ ପ୍ରୟାସ ପାଇଁ ପ୍ରଶ୍ନ ପିଛା ହାରାହାରି 25+ ପ୍ରୟାସ	(1) କଣ୍ଟେଣ୍ଟ୍ ହାଇଜିନ୍, (2) ଟେଷ୍ଟ ଉପରେ ଗୁଣବତ୍ତା ଯାଞ୍ଚ, (3) ଡାଉଟ୍ ରିଜୋଲ୍ୟୁସନ୍ ପାଇଁ ଇନ୍-ହାଉସ୍ ଏକାଡେମିସିଆନ୍			ମୌଳିକ ଟେଷ୍ଟ ପ୍ରସ୍ତୁତି + ବିସ୍ତୃତ ଫିଡବ୍ୟାକ୍ ଆନାଲିଟିକ୍ସ + ଲର୍ଣ୍ଣ + ଡାଉଟ୍ ରିଜୋଲ୍ୟୁସନ୍
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 500+ ପ୍ରଶ୍ନ, (2) ଅତିକମରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ୍, (3) 10ଟି ଫୁଲ୍ ଟେଷ୍ଟ, (4) ଅଧ୍ୟାୟ ପ୍ରତି 5ଟି ଲର୍ଣ୍ଣ କଣ୍ଟେଣ୍ଟ୍	ସମସ୍ତ ପ୍ରଶ୍ନ ଉପରେ ~ 6 ମିଲିୟନ୍ ପର୍ଯ୍ୟନ୍ତ ପ୍ରୟାସ ପାଇଁ ପ୍ରଶ୍ନ ପିଛା ହାରାହାରି 25+ ପ୍ରୟାସ	(1) କଣ୍ଟେଣ୍ଟ୍ ହାଇଜିନ୍, (2) ଟେଷ୍ଟ ଉପରେ ଗୁଣବତ୍ତା ଯାଞ୍ଚ, (3) ଡାଉଟ୍ ରିଜୋଲ୍ୟୁସନ୍ ପାଇଁ ଇନ୍-ହାଉସ୍ ଏକାଡେମିସିଆନ୍	(1) ~4000 ପର୍ଯ୍ୟନ୍ତ ବିଷୟ ପାଇଁ ବିଷୟ ସ୍ତରୀୟ ଯାଏଁ ମୌଳିକ ଟ୍ୟାକ୍ସୋନୋମି (ଅଧ୍ୟାୟ ପିଛା ~ 5 ବିଷୟ)		ଆଡଭାନ୍ସ ଟେଷ୍ଟର ପ୍ରସ୍ତୁତି = ମୌଳିକ ଟେଷ୍ଟ ପ୍ରସ୍ତୁତି + ବିସ୍ତୃତ ଫିଡବ୍ୟାକ୍ ଆନାଲିଟିକ୍ସ + ଲର୍ଣ୍ଣ + ଡାଉଟ୍ ରିଜୋଲ୍ୟୁସନ୍ + ବିଷୟ ସ୍ତରୀୟ ବୈଶିଷ୍ଟ୍ୟ
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 500+ ପ୍ରଶ୍ନ, (2) ଅତିକମରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ୍, (3) 10ଟି ଫୁଲ୍ ଟେଷ୍ଟ, (4) ଅଧ୍ୟାୟ ପ୍ରତି 5ଟି ଲର୍ଣ୍ଣ କଣ୍ଟେଣ୍ଟ୍	ସମସ୍ତ ପ୍ରଶ୍ନ ଉପରେ ~ 20 ମିଲିୟନ୍ ପର୍ଯ୍ୟନ୍ତ ପ୍ରୟାସ ପାଇଁ ପ୍ରଶ୍ନ ପିଛା ହାରାହାରି 100+ ପ୍ରୟାସ	କଣ୍ଟେଣ୍ଟ୍ ହାଇଜିନ୍, (2) ଟେଷ୍ଟ ଉପରେ ଗୁଣବତ୍ତା ଯାଞ୍ଚ, (3) ଡାଉଟ୍ ରିଜୋଲ୍ୟୁସନ୍ (4) ଡାଟା ସାଇଣ୍ଟିଷ୍ଟଙ୍କ ସହ AI ହାଇପୋଥେସିସ୍ ପାଇଁ ଇନ୍-ହାଉସ୍ ଏକାଡେମିସିଆନ୍	(1) ~40K ପର୍ଯ୍ୟନ୍ତ ବିଷୟ ପାଇଁ ବିଷୟ ସ୍ତରୀୟ ଯାଏଁ ମୌଳିକ ଟ୍ୟାକ୍ସୋନୋମି (ଅଧ୍ୟାୟ ପିଛା ~ 100 ବିଷୟ)	4 ଜଣିଆ ଡାଟା ସାଇନ୍ସ ଟିମ୍ 2+ ବର୍ଷ ପାଇଁ କାର୍ଯ୍ୟ କରୁଛନ୍ତି	ଆଡଭାନ୍ସଡ୍ ଟେଷ୍ଟର ପ୍ରସ୍ତୁତି+ ପର୍ସନାଲାଇଜେସନ୍ + ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍
(1)ଅଧ୍ୟାୟ ସ୍ତରରେ ହାରାହାରି 500+ ପ୍ରଶ୍ନ, (2) ଅତିକମରେ 3ଟି ଅଧ୍ୟାୟ ସ୍ତରୀୟ ଟେଷ୍ଟ୍, (3) 10ଟି ଫୁଲ୍ ଟେଷ୍ଟ, (4) ଅଧ୍ୟାୟ ପ୍ରତି 5ଟି ଲର୍ଣ୍ଣ କଣ୍ଟେଣ୍ଟ୍	ସମସ୍ତ ପ୍ରଶ୍ନ ଉପରେ ~ 30 ମିଲିୟନ୍ ପର୍ଯ୍ୟନ୍ତ ପ୍ରୟାସ ପାଇଁ ପ୍ରଶ୍ନ ପିଛା ହାରାହାରି 150+ ପ୍ରୟାସ(କୋହର୍ଟ ପିଛା 50)	କଣ୍ଟେଣ୍ଟ୍ ହାଇଜିନ୍, (2) ଟେଷ୍ଟ ଉପରେ ଗୁଣବତ୍ତା ଯାଞ୍ଚ, (3) ଡାଉଟ୍ ରିଜୋଲ୍ୟୁସନ୍ (4) ଡାଟା ସାଇଣ୍ଟିଷ୍ଟଙ୍କ ସହ AI ହାଇପୋଥେସିସ୍ ପାଇଁ ଇନ୍-ହାଉସ୍ ଏକାଡେମିସିଆନ୍	(1) ~40K ପର୍ଯ୍ୟନ୍ତ ବିଷୟ ପାଇଁ ବିଷୟ ସ୍ତରୀୟ ଯାଏଁ ମୌଳିକ ଟ୍ୟାକ୍ସୋନୋମି (ଅଧ୍ୟାୟ ପିଛା ~ 100 ବିଷୟ)	ଅଟୋ ଇନଜେଷ୍ଟେସନ୍ (OCR), ଅଟୋ ଟ୍ୟାଗିଂ (NLP, ML), ପ୍ୟାକେଜିଂ (ଅପ୍ଟିମାଇଜେସନ୍), ନଲେଜ୍ ଗ୍ରାଫ୍ ଜେନେରେସନ୍ ଏବଂ କାଲିବ୍ରେସନ୍ (IR, ଗ୍ରାଫ୍ ମାଇନିଂ, ML), ଆଚରଣଗତ ପଦକ୍ଷେପ (ML), ପର୍ସନାଲାଇଜେସନ୍ (IRT, ML) ଭଳି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ 8 ଜଣିଆ ଡାଟା ସାଇନ୍ସ ଟିମ୍ 2+ ବର୍ଷ ହେଲା କାର୍ଯ୍ୟ କରୁଛନ୍ତି	ଶିକ୍ଷା ପାଇଁ AI ପ୍ଲାଟଫର୍ମ = ଆଡଭାନ୍ସଡ୍ ଟେଷ୍ଟ ପ୍ରସ୍ତୁତି + ପର୍ସନାଲାଇଜେସନ୍ + ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ + ସେବା ରୂପରେ ବୁଦ୍ଧିମତା