ਸ਼ੱਕ ਦਾ ਹੱਲ

ਪ੍ਰੇਰਣਾ

ਦੇਸ਼ ਭਰ ਦੇ ਲੱਖਾਂ ਵਿਦਿਆਰਥੀ ਹੋਰ ਲਰਨ, ਸਖ਼ਤ ਪ੍ਰੈਕਟਿਸ ਕਰਨ ਅਤੇ ਲਰਨਿੰਗ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਆਪਣੇ ਆਪ ਨੂੰ ਪਰਖਣ ਲਈ ਨਿਯਮਿਤ ਤੌਰ ‘ਤੇ Embibe ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਸ ਪੂਰੇ ਸਫ਼ਰ ਦੌਰਾਨ, ਇਹ ਸਵਾਲਾਂ ਜਾਂ ਸ਼ੰਕਿਆਂ ਦੇ ਝੁੰਡ ‘ਤੇ ਠੋਕਰ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ. ਇਸ ਲਈ, ਸਾਡੇ ਕੋਲ ਸ਼ੱਕ ਦਾ ਨਿਪਟਾਰਾ ਉਤਪਾਦ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਹਮੇਸ਼ਾ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਜਿਵੇਂ ਕਿ ਨਾਮ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ, ਇਹ ਉਹ ਪਲੇਟਫਾਰਮ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸ਼ੰਕਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਸਹਾਇਤਾ ਵਿਸ਼ੇ ਦੇ ਮਾਹਿਰਾਂ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਇੱਕੋ ਸਮੇਂ ਆਉਣ ਵਾਲੇ ਸ਼ੰਕਿਆਂ ਦੀ ਮਾਤਰਾ ਅਤੇ ਚੌੜਾਈ ਇਹਨਾਂ ਮਾਹਰਾਂ ਲਈ ਹੱਥੀਂ ਹਰ ਸ਼ੱਕ ਨੂੰ ਵਾਪਸ ਪ੍ਰਾਪਤ ਕਰਨਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਬਣਾ ਸਕਦੀ ਹੈ। ਇਹ, ਬਦਲੇ ਵਿੱਚ, ਲੰਬਾ ਉਡੀਕ ਸਮਾਂ ਅਤੇ ਇੱਕ ਉਪ-ਅਨੁਕੂਲ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ।

ਮੌਕੇ ਨੂੰ ਟੈਪ ਕਰਨਾ

ਅਕਾਦਮਿਕ ਸਮੱਗਰੀ ਦੀ ਇੱਕ ਵੱਡੀ ਬਹੁਗਿਣਤੀ ਵਿੱਚ ਉਹ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਚਿੱਤਰਾਂ, ਸਮੀਕਰਨਾਂ ਅਤੇ ਚਿੰਨ੍ਹਾਂ ਵਿੱਚ ਛੁਪੀ ਹੁੰਦੀ ਹੈ। ਚਿੱਤਰਾਂ ਅਤੇ ਪਾਠਾਂ ਤੋਂ ਅਰਥ ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨਾ ਅਜੇ ਵੀ ਇੱਕ ਡੋਮੇਨ-ਨਿਰਭਰ ਅਤੇ ਔਖਾ ਕੰਮ ਹੈ ਜਿਸ ਲਈ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਲਈ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ, ਡੋਮੇਨ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ, ਅਤੇ ਕਲਾ ਦੇ ਡੂੰਘੇ ਲਰਨਿੰਗ ਦੇ ਤਰੀਕਿਆਂ ਤੱਕ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਜ਼ਿਆਦਾਤਰ ਸ਼ੱਕ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਉਤਪਾਦ ਸਮਾਨ ਪ੍ਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਨ ਜਾਂ ਪ੍ਰਸ਼ਨ ਦੇ ਆਲੇ ਦੁਆਲੇ ਉਪਲਬਧ ਸੰਦਰਭ ਦੇ ਅਧਾਰ ‘ਤੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਉੱਤਰ ਦੇਣ ਦੇ ਸਮਰੱਥ ਸਿਸਟਮ ਬਣਾਉਣ ਲਈ ਸਮੱਗਰੀ ਦੇ ਮੌਜੂਦਾ ਕਾਰਪੋਰਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਸਾਡੇ ਕੋਲ, Embibe ਵਿਖੇ, ਸਾਡੇ ਪ੍ਰਸ਼ਨ ਬੈਂਕ ਵਿੱਚ ਲੱਖਾਂ ਸਵਾਲ ਹਨ। ਅਸੀਂ ਪ੍ਰਸ਼ਨ ਪਾਠ, ਅਤੇ ਪ੍ਰਸ਼ਨ ਵਿੱਚ ਮੌਜੂਦ ਚਿੱਤਰਾਂ ਜਾਂ ਅੰਕੜਿਆਂ ਤੋਂ ਪ੍ਰਸੰਗਿਕ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਆਪਣੇ ਅਕਾਦਮਿਕ ਕਾਰਪੋਰਾ ‘ਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ।

ਸ਼ੱਕ ਹੱਲ ਉਤਪਾਦ ਦੇ ਨਾਲ, 93% ਸਵਾਲਾਂ ਦਾ ਜਵਾਬ ਬਿਨਾਂ ਕਿਸੇ ਮਨੁੱਖੀ ਦਖਲ ਦੀ ਲੋੜ ਦੇ ਆਪਣੇ ਆਪ ਹੀ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਸ਼ੱਕ ਹੱਲ ਸਿਸਟਮ ਬਣਾਉਣਾ

ਚਿੱਤਰ 1: ਸ਼ੱਕ ਹੱਲ ਪ੍ਰਣਾਲੀ ਦਾ ਬਲਾਕ ਚਿੱਤਰ

ਡਾਇਗ੍ਰਾਮ ਐਕਸਟਰੈਕਸ਼ਨ:

ਹੱਥ ਵਿੱਚ ਮੌਜੂਦ ਸ਼ੱਕ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ, ਸਾਡੇ ਲਈ ਸਵਾਲ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਸਾਰੇ ਵੇਰਵਿਆਂ ਨੂੰ ਹਾਸਲ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਅਸੀਂ, ਇਸਲਈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਇੱਕ ਡਾਇਗ੍ਰਾਮ ਐਕਸਟਰੈਕਸ਼ਨ ਲੇਅਰ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਐਕਸਟਰੈਕਟਡ ਡਾਇਗ੍ਰਾਮਾਂ ਨੂੰ ਕੰਪਿਊਟਿੰਗ ਸਿਮੈਂਟਿਕ ਸਮਾਨਤਾ ਵਿੱਚ ਵੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। OCR ਮੋਡੀਊਲ ਵਿੱਚ ਇੱਕ ਇਨਪੁਟ ਵਿੱਚ ਇੱਕ ਚਿੱਤਰ ਦੀ ਮੌਜੂਦਗੀ ਇਸ ਨੂੰ ਉਲਝਣ ਵਿੱਚ ਪਾ ਸਕਦੀ ਹੈ, ਇਸਲਈ ਅਸੀਂ ਚਿੱਤਰ ਨੂੰ ਡਾਇਗਰਾਮ ਬਾਉਂਡਿੰਗ ਬਾਕਸ ਨੂੰ ਹਟਾਉਣ ਲਈ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਾਂ, ਜੋ ਇਸਨੂੰ OCR ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। ਅਕਾਦਮਿਕ-ਡੋਮੇਨ ਲਈ ਸਾਡਾ ਮੂਲ ਰੂਪ ਵਿੱਚ ਬਣਾਇਆ ਚਿੱਤਰ ਐਕਸਟਰੈਕਸ਼ਨ ਮਾਡਲ ਸਮਾਨ ਸ਼ੁੱਧਤਾਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਕੇ ਲੇਟੈਂਸੀ ਵਿੱਚ YOLOv5 ਵਰਗੇ ਗੁੰਝਲਦਾਰ ਮਾਡਲਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਪਛਾੜਦਾ ਹੈ।

ਆਪਟੀਕਲ ਅੱਖਰ ਪਛਾਣ (OCR):

ਚਿੱਤਰ ਵਿੱਚ ਮੌਜੂਦ ਅੰਕੜਿਆਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਚਿੱਤਰ ਦੇ ਅੰਦਰ ਮੌਜੂਦ ਟੈਕਸਟ ਨੂੰ ਬਾਅਦ ਦੇ ਪੜਾਅ ‘ਤੇ ਵਰਤਣ ਲਈ ਐਕਸਟਰੈਕਟ ਅਤੇ ਪਾਰਸ ਕਰਨ ਲਈ OCR ਲੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। OCR ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਵਾਲੇ ਕਦਮ ਜਿਵੇਂ ਕਿ ਸਕਿਊ ਸੁਧਾਰ, ਪਰਛਾਵੇਂ ਨੂੰ ਹਟਾਉਣਾ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਧਾਉਣਾ, ਅਤੇ ਬਲਰ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਹੈ।

ਚਿੱਤਰ ਇੰਕੋਡਿੰਗ: ਅਸੀਂ ਸਟੇਟ ਆਫ਼ ਆਰਟ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਮਾਡਲਾਂ ਜਿਵੇਂ ਕਿ ResNet, ਅਤੇ EfficientNet ਦੀ ਵਰਤੋਂ ਸੰਘਣੇ ਵੈਕਟਰ ਵਿੱਚ ਅੰਕੜਿਆਂ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਲਈ ਕਰਦੇ ਹਾਂ ਜੋ ਚਿੱਤਰ ਵਿੱਚ ਮੌਜੂਦ ਅਰਥ-ਵਿਗਿਆਨਕ ਜਾਣਕਾਰੀ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਅਰਥ-ਵਿਗਿਆਨਕ ਤੌਰ ‘ਤੇ ਮਿਲਦੀਆਂ-ਜੁਲਦੀਆਂ ਤਸਵੀਰਾਂ ਕੁਝ ਵੱਖ-ਵੱਖ ਚਿੱਤਰਾਂ ਨਾਲੋਂ ਇੱਕ ਦੂਜੇ ਦੇ ਨੇੜੇ ਹੋਣਗੀਆਂ। 

ਟੈਕਸਟ ਇੰਕੋਡਿੰਗ: ਅਸੀਂ ਆਪਣੇ ਅਕਾਦਮਿਕ ਕਾਰਪੋਰਾ ‘ਤੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਕੇ, ਪ੍ਰਸ਼ਨ ਟੈਕਸਟ, ਜਵਾਬ ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਿਸਤ੍ਰਿਤ ਵਿਆਖਿਆਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹੋਏ, ਟ੍ਰਿਪਲਸ ਨੁਕਸਾਨ ਅਤੇ ਆਪਸੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਦਾ ਲਾਭ ਲੈ ਕੇ ਸੰਘਣੀ ਵੈਕਟਰ ਪ੍ਰਤੀਨਿਧਤਾ ਸਿੱਖਦੇ ਹਾਂ। ਅਸੀਂ BERT, ਅਤੇ T5 ਵਰਗੇ ਪੂਰਵ-ਸਿਖਿਅਤ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹਾਂ। ਫਿਰ ਅਸੀਂ ਓਸੀਆਰ ਐਕਸਟਰੈਕਟ ਕੀਤੇ ਟੈਕਸਟ ਨੂੰ ਸੰਘਣੇ ਵੈਕਟਰਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇਸ ਏਨਕੋਡਰ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜੋ ਅੱਗੇ ਅਰਥਾਂ ਦੇ ਸਮਾਨ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।

ਮਿਲਦੇ-ਜੁਲਦੇ ਸਵਾਲਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ: ਅਸੀਂ ਸਾਡੇ ਪ੍ਰਸ਼ਨ ਬੈਂਕ ਵਿੱਚ ਮੌਜੂਦ ਸਾਰੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਨਾਲ ਏਨਕੋਡ ਕੀਤੇ ਚਿੱਤਰਾਂ ਅਤੇ ਟੈਕਸਟ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਟੌਪ-ਕੇ ਸਮਾਨ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਇੱਕ ਵਜ਼ਨਦਾਰ ਸਮਾਨਤਾ ਲੈਣ ਲਈ ਤਕਨੀਕਾਂ ਨੂੰ ਵੀ ਵਰਤਦੇ ਹਾਂ ਜੇਕਰ ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਦੋਵੇਂ ਇੱਕ ਪ੍ਰਸ਼ਨ ਵਿੱਚ ਚਿੱਤਰ ਦੀ ਮਹੱਤਤਾ ਦੇ ਅਧਾਰ ਤੇ ਮੌਜੂਦ ਹਨ। ਲੱਖਾਂ ਰਿਕਾਰਡਾਂ ‘ਤੇ ਸੰਘਣੇ ਵੈਕਟਰਾਂ ਦੀ ਕੋਸਾਈਨ ਸਮਾਨਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ ਮਹਿੰਗਾ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਆਪਣੇ ਸਿਸਟਮ ਨੂੰ ਘੱਟ-ਗੁਪਤ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨਕਾਰੀ ਬਣਾਉਣ ਲਈ ਸ਼ਾਰਡਿੰਗ, ਬਕੇਟਿੰਗ, ਅਤੇ ਕਲੱਸਟਰਿੰਗ ਪਹੁੰਚਾਂ ਦਾ ਲਾਭ ਲੈਂਦੇ ਹਾਂ।

ਵਿਸ਼ਾ ਵਿਸ਼ੇਸ਼ ਪੋਸਟ ਪ੍ਰੋਸੈਸਿੰਗ: ਅਸੀਂ ਵਿਸ਼ੇ ਸੰਬੰਧੀ ਵਿਸ਼ੇਸ਼ ਪੋਸਟ ਪ੍ਰੋਸੈਸਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਟੈਕਸਟ ਵਿੱਚ ਮੌਜੂਦ ਰਸਾਇਣਕ ਸਮੀਕਰਨਾਂ, ਗਣਿਤ ਸਮੀਕਰਨਾਂ ਨੂੰ ਸੰਭਾਲਣਾ। ਪਾਠ ਵਿੱਚ ਮੌਜੂਦ ਰਸਾਇਣਕ ਸਮੀਕਰਨਾਂ ਅਤੇ ਰਸਾਇਣਕ ਇਕਾਈਆਂ ਅਰਥਾਂ ਦੇ ਸਮਾਨ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀਆਂ ਹਨ। 

ਹਵਾਲੇ:

[1] ਰਾਫੇਲ, ਕੋਲਿਨ, ਨੋਮ ਸ਼ੇਜ਼ੀਰ, ਐਡਮ ਰੌਬਰਟਸ, ਕੈਥਰੀਨ ਲੀ, ਸ਼ਰਨ ਨਾਰੰਗ, ਮਾਈਕਲ ਮਾਟੇਨਾ, ਯਾਂਕੀ ਝੂ, ਵੇਈ ਲੀ, ਅਤੇ ਪੀਟਰ ਜੇ. ਲਿਊ। “ਇੱਕ ਯੂਨੀਫਾਈਡ ਟੈਕਸਟ-ਟੂ-ਟੈਕਸਟ ਟ੍ਰਾਂਸਫਾਰਮਰ ਨਾਲ ਟਰਾਂਸਫਰ ਸਿਖਲਾਈ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ।” arXiv ਪ੍ਰੀਪ੍ਰਿੰਟ arXiv:1910.10683 (2019)।

[2] ਡੇਵਲਿਨ, ਜੈਕਬ, ਮਿੰਗ-ਵੇਈ ਚਾਂਗ, ਕੈਂਟਨ ਲੀ, ਅਤੇ ਕ੍ਰਿਸਟੀਨਾ ਟੂਟਾਨੋਵਾ। “ਬਰਟ: ਭਾਸ਼ਾ ਦੀ ਸਮਝ ਲਈ ਡੂੰਘੇ ਦੁਵੱਲੇ ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਦੀ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ।” arXiv ਪ੍ਰੀਪ੍ਰਿੰਟ arXiv:1810.04805 (2018)।

[3] ਟੈਨ, ਮਿੰਗਕਸਿੰਗ, ਅਤੇ ਕੁਓਕ ਲੇ। Efficientnet: convolutional neural networks ਲਈ ਮਾਡਲ ਸਕੇਲਿੰਗ ‘ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨਾ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ‘ਤੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ ਵਿਚ, ਪੀਪੀ. 6105-6114. PMLR, 20

[4] ਫਲਦੂ, ਕੀਯੂਰ, ਅਮਿਤ ਸ਼ੇਠ, ਪ੍ਰਸ਼ਾਂਤ ਕਿਕਾਨੀ, ਅਤੇ ਹੇਮਾਂਗ ਅਕਬਰੀ। “KI-BERT: ਬਿਹਤਰ ਭਾਸ਼ਾ ਅਤੇ ਡੋਮੇਨ ਸਮਝ ਲਈ ਗਿਆਨ ਸੰਦਰਭ ਨੂੰ ਭਰਨਾ।” arXiv ਪ੍ਰੀਪ੍ਰਿੰਟ arXiv:2104.08145 (2021)।

[5] ਗੌੜ, ਮਾਨਸ, ਕੀਯੂਰ ਫਲਦੂ, ਅਤੇ ਅਮਿਤ ਸੇਠ। “ਬਲੈਕ-ਬਾਕਸ ਦੇ ਅਰਥ ਵਿਗਿਆਨ: ਕੀ ਗਿਆਨ ਗ੍ਰਾਫ਼ ਡੂੰਘੇ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਵਧੇਰੇ ਵਿਆਖਿਆਯੋਗ ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ?।” IEEE ਇੰਟਰਨੈਟ ਕੰਪਿਊਟਿੰਗ 25, ਨੰ. 1 (2021): 51-59.

[6] ਗੌੜ, ਮਾਨਸ, ਅੰਕਿਤ ਦੇਸਾਈ, ਕੇਯੂਰ ਫਲਦੂ, ਅਤੇ ਅਮਿਤ ਸ਼ੇਠ। “ਗਿਆਨ ਗ੍ਰਾਫ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਆਖਿਆਯੋਗ AI।” ACM CoDS-COMAD ਕਾਨਫਰੰਸ ਵਿੱਚ। 2020।

[7] ਸ਼ੇਠ, ਅਮਿਤ, ਮਾਨਸ ਗੌੜ, ਕੌਸ਼ਿਕ ਰਾਏ, ਅਤੇ ਕੀਯੂਰ ਫਲਦੂ। “ਸਮਝਾਉਣਯੋਗ AI ਲਈ ਗਿਆਨ-ਅਧੀਨ ਭਾਸ਼ਾ ਦੀ ਸਮਝ।” IEEE ਇੰਟਰਨੈਟ ਕੰਪਿਊਟਿੰਗ 25, ਨੰ. 5 (2021): 19-24.

[8] “#RAISE2020 – Embibe – ਵਿਅਕਤੀਗਤ ਸਿੱਖਿਆ ਲਈ AI-ਪਾਵਰਡ ਲਰਨਿੰਗ ਨਤੀਜੇ ਪਲੇਟਫਾਰਮ”, MyGov ਇੰਡੀਆ, ਅਕਤੂਬਰ 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

[9] ਫਲਦੂ, ਕੀਯੂਰ, ਅਦਿਤੀ ਅਵਸਥੀ, ਅਤੇ ਅਚਿੰਤ ਥਾਮਸ। “ਸਕੋਰ ਸੁਧਾਰ ਅਤੇ ਇਸਦੇ ਭਾਗਾਂ ਲਈ ਅਨੁਕੂਲ ਸਿਖਲਾਈ ਮਸ਼ੀਨ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ 10,854,099, ਦਸੰਬਰ 1, 2020 ਨੂੰ ਜਾਰੀ ਕੀਤਾ ਗਿਆ।

← AI ਹੋਮ 'ਤੇ ਵਾਪਸ ਜਾਓ