Scan to download the app 
Saas ਦੇ ਰਾਹੀਂ AI ਅਨਲੋਕ
ਮੇਧਾਸ, ਸੰਸਕ੍ਰਿਤ ਦਾ ਸ਼ਬਦ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਨੌਲੇਜ, ਸਮਝ ਅਤੇ ਬੁੱਧੀ। EdTech AI ਪਲੇਟਫਾਰਮ ਬਣਾਉਣ ਲਈ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਸਮਝ (NLU) ਪਲੇਟਫਾਰਮ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। NLU ਸਮਰੱਥਾਵਾਂ ਹਾਈਪਰ-ਟੈਗਡ ਲਰਨ ਅਤੇ ਮੁਲਾਂਕਣ ਸਮੱਗਰੀ, ਪ੍ਰਸੰਗਿਕ ਨੌਲੇਜ ਗ੍ਰਾਫ਼, ਵਿਆਖਿਆਯੋਗ ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਲਰਨ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਮਗਰੀ ਨੂੰ ਅਮੀਰ ਬਣਾਉਣ, ਸਿਫਾਰਸ਼ ਕਰਨ ਜਾਂ ਬਣਾਉਣ ਲਈ। ਕੁਝ ਉਦਾਹਰਣਾਂ ਜਿੱਥੇ ਇਹ ਕਲਾ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸਥਿਤੀ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਮਦਦ ਕਰਦੀ ਹੈ ਸਮੱਗਰੀ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਕੰਮ ਜਿਵੇਂ ਸਵਾਲ ਪੈਦਾ ਕਰਨਾ, ਸਵਾਲ ਜਵਾਬ ਦੇਣਾ, ਸ਼ੱਕ ਦਾ ਹੱਲ ਕਰਨਾ, ਇੰਸਟਾ-ਸੋਲਵਰ, ਆਦਿ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ ਬਹੁਤ ਲੰਮਾ ਸਫ਼ਰ ਤੈਅ ਕੀਤਾ ਹੈ, ਡੂੰਘੀ ਲਰਨ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨੇ ਡੋਮੇਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਇਸਦੀ ਸੰਭਾਵਨਾ ਲਈ ਇੱਕ ਠੋਸ ਕੇਸ ਬਣਾਇਆ ਹੈ। ਹਾਲਾਂਕਿ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਬਲੈਕ-ਬਾਕਸ ਮਾਡਲਾਂ ਦੁਆਰਾ ਹਾਵੀ ਹੈ ਜੋ ਲਰਨਿੰਗ ਡੇਟਾ ਵਿੱਚ ਅੰਕੜਿਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਕੈਪਚਰ ਕੀਤੇ ਗੁਪਤ ਪੈਟਰਨਾਂ ਨੂੰ ਲਰਨ ਦੁਆਰਾ ਲਰਨਿੰਗ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਮਾੱਡਲ ਸਿਰਫ਼ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਡੋਮੇਨ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਨਾ ਸਿਰਫ਼ ਸਮਝ ਤੋਂ ਬਾਹਰ ਹਨ, ਸਗੋਂ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਕਮਜ਼ੋਰ ਵੀ ਹਨ।
ਪਲੇਟਫਾਰਮ ਮੇਧਾਸ ਦਾ ਉਦੇਸ਼:
- ਡੂੰਘੇ ਲਰਨ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਵਿਆਖਿਆਯੋਗ ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਬਣਾਓ
- ਡੂੰਘੇ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਵਿੱਚ ਨੌਲੇਜ ਗ੍ਰਾਫ਼ਾਂ ਵਿੱਚ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਡੋਮੇਨ ਨੌਲੇਜ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ
- ਡੂੰਘੇ ਲਰਨ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਕਿਨਾਰੇ ਵਾਲੀਆਂ ਡਿਵਾਈਸਾਂ ਅਤੇ ਸਰੋਤ-ਸੀਮਤ ਸੈਟਿੰਗਾਂ ‘ਤੇ ਪਹੁੰਚਯੋਗ ਬਣਾਓ।
- ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਸਥਾਨਕ ਔਨ-ਡਿਵਾਈਸ ਅਨੁਮਾਨ ਬਣਾਉਣ ਲਈ ਮਾਡਲ ਅਨੁਕੂਲਨ।
ਅਸੀਂ ਨੌਲੇਜ ਗ੍ਰਾਫਾਂ ਤੋਂ ਸਵੈ-ਧਿਆਨ ਅਧਾਰਤ ਮਾਡਲਾਂ ਵਿੱਚ ਨੌਲੇਜ ਏਮਬੈਡਿੰਗ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ConceptNet ਤੋਂ “ਗੈਰ-ਮੌਜੂਦ ਮਾਨਸਿਕਤਾ” ਵਰਗੀਆਂ ਸੰਕਲਪਿਕ ਸੰਸਥਾਵਾਂ ਦਾ ਏਮਬੈਡਿੰਗ ਲਿਆ ਹੈ ਅਤੇ ਇਸ ਨੂੰ BERT ਵਿੱਚ ਟੋਕਨ ਏਮਬੈਡਿੰਗ ਨਾਲ ਜੋੜਿਆ ਹੈ। “ਮਨ ਦੀ ਅਣਹੋਂਦ” ਲਈ ਨੌਲੇਜ ਨੂੰ ਏਮਬੈਡ ਕਰਨ ਦੀ ਉਹੀ ਪ੍ਰਕਿਰਿਆ। ਇਸ ਲਈ, ਅਗਲੀ ਸਵੈ-ਧਿਆਨ ਦੀ ਪਰਤ “ਗੈਰ-ਹਾਜ਼ਰ ਮਾਨਸਿਕਤਾ” ਅਤੇ “ਮਨ ਦੀ ਗੈਰਹਾਜ਼ਰੀ” ਇਕਾਈਆਂ ਦੇ ਸੰਯੁਕਤ ਨੌਲੇਜ ਅਤੇ ਟੋਕਨ ਏਮਬੈਡਿੰਗਾਂ ਵੱਲ ਧਿਆਨ ਦੇਵੇਗੀ।
ਜਿਵੇਂ ਕਿ “ਗੈਰਹਾਜ਼ ਮਾਨਸਿਕਤਾ” ਅਤੇ “ਮਨ ਦੀ ਗੈਰਹਾਜ਼ਰੀ” ਦਾ ਨੌਲੇਜ ਏਮਬੇਡਿੰਗ ਬਹੁਤ ਸਮਾਨ ਹੋਵੇਗਾ, ਮਾਡਲ ਨੂੰ ਇਹ ਵਿਚਾਰ ਮਿਲੇਗਾ ਕਿ, ਇਹ ਦੋਵੇਂ ਸਮਾਨ ਇਕਾਈਆਂ ਹਨ।
ਉਪਰੋਕਤ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਵਰਡਨੈੱਟ ਤੋਂ “ਪੁੰਜ” ਅਤੇ “ਰੇਡੀਅਸ” ਵਰਗੀਆਂ ਅਸਪਸ਼ਟ ਇਕਾਈਆਂ ਦਾ ਨੌਲੇਜ ਏਮਬੈਡਿੰਗ ਲਿਆਉਂਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ BERT ਦੀ ਸਵੈ-ਧਿਆਨ ਪਰਤ ਵਿੱਚ ਟੋਕਨ ਏਮਬੈਡਿੰਗਾਂ ਨਾਲ ਜੋੜਦੇ ਹਾਂ।
ਇਸ ਲਈ, ਅਗਲੀ ਸਵੈ-ਧਿਆਨ ਦੀ ਪਰਤ ਅਸਪਸ਼ਟ ਇਕਾਈਆਂ ਦੇ ਸੰਯੁਕਤ ਨੌਲੇਜ ਏਮਬੈਡਿੰਗ ਅਤੇ ਟੋਕਨ ਏਮਬੈਡਿੰਗ ਵੱਲ ਧਿਆਨ ਦੇਵੇਗੀ ਅਤੇ ਇਹ ਇੰਪੁੱਟ ਵਾਕ ਨੂੰ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਸਮਝਣ ਵਿੱਚ ਮਾਡਲ ਦੀ ਮਦਦ ਕਰੇਗੀ।
ਕਿਵੇਂ ਭਰਮਾਉਣ ਵਾਲਾ ਨੌਲੇਜ ਵਧੇਰੇ ਵਿਆਖਿਆਯੋਗ ਵਿਸ਼ਵਾਸ ਦਿੰਦਾ ਹੈ:
ਅਸੀਂ ਉਪਰੋਕਤ ਉਦਾਹਰਨ (ਦੂਜੀ ਆਖਰੀ ਕਤਾਰ) ਵਿੱਚ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ, “ਗ੍ਰੀਨਹਾਊਸ ਪ੍ਰਭਾਵ” ਵਰਗੀਆਂ ਧਾਰਨਾਤਮਕ ਸੰਸਥਾਵਾਂ ਅਤੇ “ਟਰੈਪਿੰਗ” ਅਤੇ “ਐਬਜ਼ੌਰਪਸ਼ਨ” ਵਰਗੀਆਂ ਅਸਪਸ਼ਟ ਇਕਾਈਆਂ ਨੂੰ ਜੋੜਨ ਤੋਂ ਬਾਅਦ, ਇਸ ਨੇ ਨਾ ਸਿਰਫ਼ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ, ਸਗੋਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਾ ਭਰੋਸਾ ਵੀ ਬਣਾਇਆ। ਵੀ ਵਧ ਕੇ 60.55% ਹੋ ਗਿਆ ਕਿਉਂਕਿ ਅਸੀਂ ਹੋਰ ਇਕਾਈਆਂ ਨੂੰ ਜੋੜਿਆ ਹੈ।
ਜਦੋਂ ਅਸੀਂ ਕ੍ਰਮਵਾਰ “ਸੂਰਜੀ ਊਰਜਾ” ਅਤੇ “ਕਾਰਨ” ਵਰਗੀਆਂ ਹੋਰ ਅਸਪਸ਼ਟ ਅਤੇ ਸੰਕਲਪਿਕ ਸੰਸਥਾਵਾਂ ਨੂੰ ਵੀ ਜੋੜਿਆ, ਤਾਂ ਵਿਸ਼ਵਾਸ ਹੋਰ ਵੀ ਵੱਧ ਕੇ 61.97% ਹੋ ਗਿਆ।
ਸੰਖੇਪ ਕਰਨ ਲਈ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਹੋਰ ਅਰਥਪੂਰਨ ਇਕਾਈਆਂ ਨੂੰ ਜੋੜਦੇ ਹਾਂ, ਨਾ ਸਿਰਫ ਇਸ ਨੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀਆਂ ਕੀਤੀਆਂ (ਵਨੀਲਾ BERT ਗਲਤ ਭਵਿੱਖਬਾਣੀ ਦੇ ਉਲਟ) ਸਗੋਂ ਇਸ ਨੇ ਮਾਡਲ ਦੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਵੀ ਵਧਾਇਆ।
ਪਲੇਟਫਾਰਮ ਮੇਧਾਸ ਏਮਬੀਬੇ ਵਿਖੇ ਐਜੂਕੇਸ਼ਨ ਰਿਸਰਚ ਲੈਬ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਐਜੂਕੇਸ਼ਨ ਰਿਸਰਚ ਲੈਬ ਵਿਸ਼ਾਲ ਪ੍ਰਭਾਵ ਨਾਲ ਮੁੱਖ ਖੁੱਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਅਸਲ ਮੁੱਲ ਪ੍ਰਸਤਾਵਾਂ ਦੀ ਕਾਢ ਕੱਢ ਕੇ ਕਲਾ ਖੋਜ ਦੀ ਸਥਿਤੀ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਅਨੁਸ਼ਾਸਿਤ ਯਤਨ ਹੈ।
ਹਵਾਲਾ:
[2] ਫਲਦੂ, ਕੀਯੂਰ, ਅਮਿਤ ਸ਼ੇਠ, ਪ੍ਰਸ਼ਾਂਤ ਕਿਕਾਨੀ, ਅਤੇ ਹੇਮਾਂਗ ਅਕਬਰੀ। “KI-BERT: ਬਿਹਤਰ ਭਾਸ਼ਾ ਅਤੇ ਡੋਮੇਨ ਸਮਝ ਲਈ ਨੌਲੇਜ ਸੰਦਰਭ ਨੂੰ ਭਰਨਾ।” arXiv ਪ੍ਰੀਪ੍ਰਿੰਟ arXiv:2104.08145 (2021)।
[4] ਕੀਯੂਰ ਫਲਦੂ। “ਆਧੁਨਿਕ ਐਨਐਲਪੀ ਦਾ ਉਭਾਰ ਅਤੇ ਵਿਆਖਿਆ ਦੀ ਲੋੜ!” ਡੇਟਾ ਸਾਇੰਸ ਵੱਲ, ਅਗਸਤ 2020।
[5] ਕੀਯੂਰ ਫਲਦੂ, ਡਾ: ਅਮਿਤ ਸ਼ੇਠ। “ਐਨਐਲਪੀ ਮਾਡਲਾਂ ਵਿੱਚ ਏਨਕੋਡਡ ਭਾਸ਼ਾਈ ਨੌਲੇਜ ਦੀ ਖੋਜ ਕਰਨਾ।” ਡਾਟਾ ਸਾਇੰਸ ਵੱਲ, ਸਤੰਬਰ 2020।
[6] ਕੀਯੂਰ ਫਲਦੂ, ਡਾ: ਅਮਿਤ ਸ਼ੇਠ। “ਐਨਐਲਪੀ ਮਾਡਲਾਂ ਦੀ ਭਾਸ਼ਾ ਵਿਨੌਲੇਜ ਬੁੱਧੀ।” ਡਾਟਾ ਸਾਇੰਸ ਵੱਲ, ਨਵੰਬਰ 2020।
[7] ਏ. ਸ਼ੇਠ, ਐੱਮ. ਗੌੜ, ਕੇ. ਰਾਏ ਅਤੇ ਕੇ. ਫਾਲਦੂ, ਆਈਈਈਈ ਇੰਟਰਨੈੱਟ ਕੰਪਿਊਟਿੰਗ, ਵੋਲ. 25, ਨੰ. 5, ਪੰਨਾ 19-24, 1 ਸਤੰਬਰ-ਅਕਤੂਬਰ 2021, doi: 10.1109/MIC.2021.3101919
[8] ਫਾਲਦੂ, ਕੀਯੂਰ, ਅਦਿਤੀ ਅਵਸਥੀ, ਅਤੇ ਅਚਿੰਤ ਥਾਮਸ। “ਸਕੋਰ ਸੁਧਾਰ ਅਤੇ ਇਸਦੇ ਭਾਗਾਂ ਲਈ ਅਨੁਕੂਲ ਲਰਨਿੰਗ ਮਸ਼ੀਨ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ 10,854,099, ਦਸੰਬਰ 1, 2020 ਨੂੰ ਜਾਰੀ ਕੀਤਾ ਗਿਆ।
[9] ਧਵਲਾ, ਸੋਮਾ, ਚਿਰਾਗ ਭਾਟੀਆ, ਜੋਏ ਬੋਸ, ਕੀਯੂਰ ਫਲਦੂ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਡਾਇਗਨੌਸਟਿਕ ਅਸੈਸਮੈਂਟਸ ਅਤੇ ਉਹਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਮੁਲਾਂਕਣ ਦੀ ਆਟੋ ਜਨਰੇਸ਼ਨ.” ਇੰਟਰਨੈਸ਼ਨਲ ਐਜੂਕੇਸ਼ਨਲ ਡਾਟਾ ਮਾਈਨਿੰਗ ਸੁਸਾਇਟੀ (2020)।
[10] ਫਾਲਦੂ, ਕੀਯੂਰ, ਅਚਿੰਤ ਥਾਮਸ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਪ੍ਰਸੰਗਿਕ ਨੌਲੇਜ ਅਧਾਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਸਮੱਗਰੀ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਨ ਲਈ ਸਿਸਟਮ ਅਤੇ ਢੰਗ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ ਐਪਲੀਕੇਸ਼ਨ 16/586,512, ਅਕਤੂਬਰ 1, 2020 ਨੂੰ ਦਾਇਰ ਕੀਤੀ ਗਈ।
[11] ਥਾਮਸ, ਅਚਿੰਤ, ਕੀਯੂਰ ਫਾਲਦੂ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਇੱਕ ਲੜੀਵਾਰ ਢੰਗ ਨਾਲ ਅਕਾਦਮਿਕ ਸਮੱਗਰੀ ਦੀ ਵਿਅਕਤੀਗਤ ਪ੍ਰਾਪਤੀ ਲਈ ਸਿਸਟਮ ਅਤੇ ਵਿਧੀ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ ਐਪਲੀਕੇਸ਼ਨ 16/740,223, ਅਕਤੂਬਰ 1, 2020 ਨੂੰ ਦਾਇਰ ਕੀਤੀ ਗਈ।
[12] “#RAISE2020 – Embibe – ਵਿਅਕਤੀਗਤ ਸਿੱਖਿਆ ਲਈ AI-ਪਾਵਰਡ ਲਰਨਿੰਗ ਨਤੀਜੇ ਪਲੇਟਫਾਰਮ”, MyGov ਇੰਡੀਆ, ਅਕਤੂਬਰ 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU
← AI ਹੋਮ 'ਤੇ ਵਾਪਸ ਜਾਓ
