ਲਰਨਿੰਗ ਆਊਟਕਮ ਨੂੰ AI ਸਟੈਕ ਬਣਾਉਣਾ

Embibe ਆਪਣੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਹੀ ਇੱਕ ਡੇਟਾ-ਸੰਚਾਲਿਤ, ਡੇਟਾ-ਕੇਂਦਰਿਤ, ਡੇਟਾ-ਭੁੱਖੀ ਕੰਪਨੀ ਰਹੀ ਹੈ, ਜਿਸ ਨੇ ਬਹੁਤ ਜਲਦੀ ਸਮਝ ਲਿਆ ਸੀ ਕਿ ਡੇਟਾ ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਲਈ ਸਿੱਖਿਆ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਣ ਲਈ, ਪੈਮਾਨੇ ‘ਤੇ ਮੁੱਖ ਤੱਤ ਸੀ। ਅਤੇ ਫਿਰ ਵੀ, ਡੇਟਾ ਇਕੱਲੇ ਸਿਰਫ ਅੱਧੀ ਤਸਵੀਰ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ. ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਿੱਖਿਆ ਦਾ ਵਿਅਕਤੀਗਤਕਰਨ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਸਮੱਸਿਆ ਹੈ ਜਿਸ ਲਈ ਉੱਨਤ ਐਲਗੋਰਿਦਮ ਦੇ ਇੰਟਰਪਲੇਅ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਕਈ ਉਪ-ਡੋਮੇਨਾਂ ਵਿੱਚ ਭਾਰੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦਾ ਲਾਭ ਉਠਾ ਸਕਦੇ ਹਨ।

Embibe ਵਿਖੇ, ਅਸੀਂ ਵਿਸ਼ਵਾਸ ਕਰਦੇ ਹਾਂ ਕਿ ਨੇਤਾ ਪੈਦਾ ਨਹੀਂ ਹੁੰਦੇ, ਉਹ ਸਮੇਂ ਦੇ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਯਾਤਰਾ ਦੇ ਨਾਲ ਹਜ਼ਾਰਾਂ ਛੋਟੀਆਂ ਸਿੱਖਿਆਵਾਂ ਦੇ ਨਾਲ ਅਨੁਭਵ ਕਰਦੇ ਹਨ। ਪਿਛਲੇ ਅੱਠ ਸਾਲਾਂ ਵਿੱਚ, Embibe ਨੇ ਬੜੀ ਮਿਹਨਤ ਨਾਲ ਆਪਣੀ ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦਾ ਸਨਮਾਨ ਕੀਤਾ ਹੈ ਅਤੇ ਇਸ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਉੱਨਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਏਆਈ ਤਕਨੀਕਾਂ ਦੇ ਨਾਲ ਆਪਣੇ ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਇੱਕ ਬੇਮਿਸਾਲ ਵਿਅਕਤੀਗਤ ਸਿੱਖਿਆ ਅਨੁਭਵ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਕੀਤੀ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਐਡਟੈਕ ਦੇ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਵਿਅਕਤੀਗਤਕਰਨ ਲਈ Embibe ਦੇ ਫਲਸਫੇ ਨੂੰ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ।

ਕੈਪਚਰ ਕਰਨਾ ਅਤੇ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ

ਡੇਟਾ ਦਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਕੋਈ ਬਹੁਤਾ ਮੁੱਲ ਨਹੀਂ ਹੁੰਦਾ ਜੇਕਰ ਕਿਸੇ ਉਪਭੋਗਤਾ ਲਈ ਮੁੱਲ ਜੋੜਨ ਲਈ, ਸਹੀ ਢੰਗ ਨਾਲ ਸਾਧਨ ਨਾ ਕੀਤਾ ਜਾਵੇ, ਅਕਸਰ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਾਫ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਤੱਥ ਕਿ ਇੱਕ ਪ੍ਰੈਕਟਿਸ ਜਾਂ ਟੈਸਟ ਪ੍ਰਸ਼ਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਗਈ ਸੀ, ਇਹ ਲਗਭਗ ਉਨਾ ਉਪਯੋਗੀ ਨਹੀਂ ਹੈ ਜਿੰਨਾ ਕਿ ਇੱਕ ਕੋਸ਼ਿਸ਼ ਨਾਲ ਸਬੰਧਤ ਸਾਰੀਆਂ ਮਾਈਕਰੋ-ਈਵੈਂਟਸ ਜਿਵੇਂ ਕਿ ਪ੍ਰਸ਼ਨ ਦੀ ਪਹਿਲੀ ਝਲਕ ਦਾ ਸਮਾਂ, ਆਖਰੀ ਬਚਤ ਦਾ ਸਮਾਂ, ਹਰੇਕ ਮੁੜ-ਮੁਲਾਕਾਤ ਦਾ ਸਮਾਂ, ਉੱਤਰ ਦੀ ਚੋਣ। ਹਰ ਮੁਲਾਕਾਤ ‘ਤੇ ਸਵਿੱਚ, ਪ੍ਰੈਕਟਿਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਲਈ ਦੌਰੇ ਦੌਰਾਨ ਵਰਤੇ ਗਏ ਸੰਕੇਤ, ਟੈਸਟ ਸੈਸ਼ਨ ਵਿੱਚ ਕ੍ਰਮ ਤੋਂ ਬਾਹਰ ਪ੍ਰਸ਼ਨ, ਆਦਿ। Embibe ਨੇ ਪਿਛਲੇ ਅੱਠ ਸਾਲਾਂ ਵਿੱਚ ਦਾਣੇਦਾਰ ਡੇਟਾ ਕੈਪਚਰ ਕਰਨ ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼ ਕੀਤਾ ਹੈ। Embibe ਕੋਲ ਅਮੀਰ ਡਾਟਾ ਕਿਸਮਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ ਜੋ ਇਹਨਾਂ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ:

• ਉਪਭੋਗਤਾ-ਇੰਟਰੈਕਸ਼ਨ ਸਪਸ਼ਟ ਇਵੈਂਟਸ – ਕਲਿੱਕ, ਟੈਪ, ਹੋਵਰ, ਸਕ੍ਰੋਲ, ਟੈਕਸਟ-ਅੱਪਡੇਟ
• ਉਪਭੋਗਤਾ-ਇੰਟਰੈਕਸ਼ਨ ਅਪ੍ਰਤੱਖ ਘਟਨਾਵਾਂ – ਕਰਸਰ ਸਥਿਤੀ, ਟੈਪ ਪ੍ਰੈਸ਼ਰ, ਡਿਵਾਈਸ ਸਥਿਤੀ
• ਸਿਸਟਮ ਦੁਆਰਾ ਤਿਆਰ ਸਰਵਰ-ਸਾਈਡ ਇਵੈਂਟਸ – ਪੰਨਾ ਲੋਡ, ਸੈਸ਼ਨ ਰਿਫਰੈਸ਼, API ਕਾਲਾਂ
• ਸਿਸਟਮ ਦੁਆਰਾ ਤਿਆਰ ਕਲਾਇੰਟ-ਸਾਈਡ ਇਵੈਂਟਸ – ਸਿਸਟਮ ਪੁਸ਼ ਸੂਚਨਾਵਾਂ ਅਤੇ ਟਰਿਗਰਜ਼

ਡੋਮੇਨ ਮਹਾਰਤ

ਇਹ ਆਮ ਤੌਰ ‘ਤੇ ਕਲਾ ਵਿੱਚ ਨਿਪੁੰਨ ਲੋਕਾਂ ਨੂੰ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਸਿਲੋਜ਼ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਵਿਗਿਆਨੀ ਕੈਪਚਰ ਕੀਤੇ ਡੇਟਾ ਵਿੱਚ ਮੁੱਲ ਜੋੜਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋ ਸਕਦੇ ਕਿਉਂਕਿ ਉਹਨਾਂ ਕੋਲ ਅਰਥਪੂਰਨ ਸੂਝ-ਬੂਝ ਲਈ ਲੋੜੀਂਦਾ ਸੰਦਰਭ ਅਤੇ ਡੋਮੇਨ ਗਿਆਨ ਨਹੀਂ ਹੈ। Embibe ਇਸ ਨੂੰ ਸਮਝਦਾ ਹੈ ਅਤੇ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਅਕਾਦਮਿਕ ਮਾਹਰਾਂ ਵਿਚਕਾਰ ਕਾਫੀ ਓਵਰਲੈਪ ਨੂੰ ਯਕੀਨੀ ਬਣਾਇਆ ਹੈ।

ਅਕਾਦਮਿਕ ਡੇਟਾ ਦੀ ਤਿਆਰੀ: Embibe ਨੇ ਅਕਾਦਮਿਕ ਡੇਟਾ ਦੀ ਰਚਨਾ ਅਤੇ ਕਿਊਰੇਸ਼ਨ ਵਿੱਚ ਸਮਾਂ ਅਤੇ ਸਰੋਤਾਂ ਦਾ ਨਿਵੇਸ਼ ਕੀਤਾ ਹੈ ਜੋ ਜਨਤਕ ਡੋਮੇਨ ਵਿੱਚ ਉਪਲਬਧ ਨਹੀਂ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਸਾਲਾਂ ਦੌਰਾਨ 30 ਫੈਕਲਟੀਜ਼ ਦੀ ਇੱਕ ਟੀਮ ਨੇ ਅਰਧ-ਨਿਗਰਾਨੀ ਕੀਤੇ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਇੰਟਰਕਨੈਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਲਗਭਗ 62K ਕੰਸੈਪਟਸ ਦਾ ਇੱਕ ਗਿਆਨ ਰੁੱਖ ਬਣਾਇਆ ਹੈ, ਹਰੇਕ ਕੰਸੈਪਟ ‘ਤੇ 426 ਮੈਟਾ ਵੇਰੀਏਬਲਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਲੱਖਾਂ ਮੈਟਾ-ਵੇਰੀਏਬਲ ਹੁੰਦੇ ਹਨ। ਇਸ ਟੀਮ ਨੇ ਡਾਊਨਸਟ੍ਰੀਮ ਐਲਗੋਰਿਦਮ ਲਈ ਸਿਖਲਾਈ ਡੇਟਾ ਤਿਆਰ ਕਰਨ ਲਈ ਗਿਆਨ ਦੇ ਰੁੱਖ ‘ਤੇ ਕੰਸੈਪਟਸ, ਪ੍ਰੀਖਿਆ ਸਿਲੇਬਸ, ਹੁਨਰ, ਮੁਸ਼ਕਲ ਪੱਧਰ, ਆਦਰਸ਼ ਸਮਾਂ, ਬਲੂਮ ਪੱਧਰ ਵਰਗੀਆਂ ਮੈਟਾ ਟੈਗਾਂ ‘ਤੇ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਹੱਥੀਂ ਟੈਗ ਕੀਤਾ।

ਅਕਾਦਮਿਕ + ਵਿਗਿਆਨ: ਜਦੋਂ ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਤੇ ਅਕਾਦਮਿਕ ਇਕੱਠੇ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਇੱਕ ਸਿੱਖਣ ਦੀ ਵਕਰ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ ਕਿ ਅਕਾਦਮਿਕ ਪ੍ਰੀਖਿਆਵਾਂ ਨੂੰ ਸੈੱਟ ਕਰਨ ਵੇਲੇ ਕਿਹੜੇ ਮਾਪਦੰਡਾਂ ‘ਤੇ ਵਿਚਾਰ ਕਰਦੇ ਹਨ, ਉਹ ਕਿਵੇਂ ਭਿੰਨਤਾਵਾਂ ਲਿਆਉਂਦੇ ਹਨ, ਅਤੇ ਉਹ ਵਿਅਕਤੀਗਤ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਟੈਸਟਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਕਿਵੇਂ ਬਣਾਉਂਦੇ ਹਨ। ਐਲਗੋਰਿਦਮਿਕ ਕੋਡ ਵਿੱਚ ਅਕਾਦਮਿਕ ਦੇ ਗਿਆਨ ਦਾ ਇਹ ਅਨੁਵਾਦ ਸਮਾਂ ਬਰਬਾਦ ਕਰਨ ਵਾਲਾ ਹੈ ਅਤੇ ਵਿਗਿਆਨੀ ਪੂਲ ਵਿੱਚ ਡੋਮੇਨ ਮਹਾਰਤ ਬਣਾਉਂਦਾ ਹੈ। ਐਮਬੀਬੇ ਨੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਜ਼ਾਰਾਂ ਵਾਕਾਂਸ਼ਾਂ ਦਾ ਅਕਾਦਮਿਕ ਕਾਰਪਸ ਤਿਆਰ ਕਰਨ ਲਈ ਫੈਕਲਟੀ-ਵਿਗਿਆਨਕ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਦੀ ਵੀ ਵਰਤੋਂ ਕੀਤੀ।

ਇੱਕ ਵਿਅਕਤੀਗਤ ਐਡਟੈਕ ਪਲੇਟਫਾਰਮ ਬਣਾਉਣ ਲਈ ਡੇਟਾ ਅਤੇ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ

ਪਹਿਲੇ ਹੱਥ ਦਾ ਡੇਟਾ ਕਾਫ਼ੀ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਭਾਵੇਂ ਕੋਈ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰਾ ਪੈਸਾ ਪਾਉਂਦਾ ਹੈ, ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਕੋਲ ਸਮੇਂ ਦੇ ਨਾਲ ਲੋੜੀਂਦਾ ਰੁਝੇਵਾਂ ਡੇਟਾ ਨਾ ਹੋਵੇ ਕਿਉਂਕਿ ਉਪਭੋਗਤਾਵਾਂ ਨੇ ਸਿਸਟਮ ਨਾਲ ਕਾਫ਼ੀ ਇੰਟਰੈਕਟ ਨਹੀਂ ਕੀਤਾ ਹੋ ਸਕਦਾ ਹੈ। Embibe ਆਪਣੇ ਸਾਰੇ ਡੇਟਾ ਦਾ ਮਾਲਕ ਹੈ ਅਤੇ ਐਡਟੈਕ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣ ਲਈ ਕਈ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਉਪ-ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਉੱਨਤ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਡੇਟਾ ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ।

ਸਮਾਰਟ ਟੈਗਿੰਗ: ਕੰਸੈਪਟਸ, ਵਿਸ਼ਿਆਂ ਅਤੇ ਹੋਰ ਬਾਲਟੀਆਂ ਨੂੰ ਟੈਗ ਕਰਨ ਵਾਲੇ ਪ੍ਰਸ਼ਨਾਂ ਵਿੱਚ ਪਾਠ ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ ਦਾ ਸਾਰ ਅਕਾਦਮਿਕ ਕੀਵਰਡਸ ਵਿੱਚ ਹੈ। ਏਕੀਕ੍ਰਿਤ ਅਕਾਦਮਿਕ ਕੀਵਰਡ ਸ਼ਬਦਕੋਸ਼ ਜਨਤਕ ਡੋਮੇਨ ਵਿੱਚ ਉਪਲਬਧ ਨਹੀਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਕਾਦਮਿਕ ਕੀਵਰਡਾਂ ਨੂੰ ਗੈਰ-ਅਕਾਦਮਿਕ ਤੋਂ ਵੱਖ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ‘ਅੰਤ’ ਵਰਗਾ ਪ੍ਰਤੀਤ ਹੁੰਦਾ ਗੈਰ-ਅਕਾਦਮਿਕ ਸ਼ਬਦ ਅਸਲ ਵਿੱਚ ਢੁਕਵੇਂ ਸੰਦਰਭ ਵਿੱਚ ਅਕਾਦਮਿਕ ਹੁੰਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, “ਸਟਰਿੰਗ ਦੇ ਅੰਤ ਵਿੱਚ ਬਲ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ”। Embibe ਦੇ ਸਮਾਰਟ ਟੈਗਿੰਗ ਐਲਗੋਰਿਦਮ ਭੀੜ-ਸਰੋਤ ਮਨੁੱਖੀ ਫੈਕਲਟੀ ਲਈ ਸਿਰਫ 18% ਦੇ ਮੁਕਾਬਲੇ 82% ਸਮੇਂ ਇੱਕ ਪ੍ਰਸ਼ਨ ਨੂੰ ਟੈਗ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਕੰਸੈਪਟਸ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ।

ਆਟੋਮੇਟਿਡ ਟੈਸਟ ਜਨਰੇਸ਼ਨ: ਉੱਪਰ ਦੱਸੇ ਗਏ ਵਿਗਿਆਨੀ-ਫੈਕਲਟੀ ਪ੍ਰੈਕਟਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ Embibe ਦੇ ਆਟੋਮੇਟਿਡ ਟੈਸਟ ਜਨਰੇਸ਼ਨ ਮੋਡਿਊਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ ਜਿਸਦੀ ਵਰਤੋਂ 62,000 ਦੇ ਕਰੀਬ ਕੰਸੈਪਟਸ, ਮੁਸ਼ਕਲ ਪੱਧਰ, ਆਦਰਸ਼ ਸਮਾਂ, ਬਲੂਮ ਪੱਧਰ, ਹੁਨਰਾਂ ਦੇ ਨਾਲ ਟੈਗ ਕੀਤੇ ਲੱਖਾਂ ਪ੍ਰਸ਼ਨਾਂ ਵਿੱਚੋਂ ਕਈ ਪ੍ਰੀਖਿਆਵਾਂ ਵਿੱਚ ਸੈਂਕੜੇ ਟੈਸਟ ਪ੍ਰਸ਼ਨ ਪੱਤਰ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਗਈ ਸੀ। ਮੋਡੀਊਲ ਇੱਕ ਅਤਿ-ਆਧੁਨਿਕ ਹਾਈਬ੍ਰਿਡ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਸਿਮੂਲੇਟਡ ਐਨੀਲਿੰਗ ਅਤੇ ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਨਵੇਂ ਟੈਸਟ ਪ੍ਰਸ਼ਨ ਪੱਤਰ ਤਿਆਰ ਕੀਤੇ ਜਾ ਸਕਣ ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਨਿਰਧਾਰਤ ਪ੍ਰੀਖਿਆ ਦੇ ਪੱਧਰ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ, ਅਜਿਹਾ ਕਰਨ ਲਈ ਤਜਰਬੇਕਾਰ ਫੈਕਲਟੀ ਦੀ ਲੋੜ ਹੋਵੇਗੀ।

ਵਿਵਹਾਰ ਸੰਬੰਧੀ ਟੀਚਾ ਨਿਰਧਾਰਨ ਅਤੇ ਸਕੋਰ ਸੁਧਾਰ ਦੀ ਭਵਿੱਖਬਾਣੀ: ਅਨੇਕ ਵਿਵਹਾਰ ਸੰਬੰਧੀ ਕੇਸਾਂ ਦੇ ਅਧਿਐਨਾਂ, ਫੈਕਲਟੀ ਡੋਮੇਨ ਗਿਆਨ ਅਤੇ ਅੰਕੜਾ ਪੈਟਰਨ ਮਾਈਨਿੰਗ ਦੇ ਨਾਲ, Embibe ਜਾਣਦਾ ਹੈ ਕਿ ਲੁਕਵੇਂ ਵਿਵਹਾਰ ਸੰਬੰਧੀ ਗੁਣਾਂ ਨੂੰ ਕਿਵੇਂ ਮਾਪਣਾ ਅਤੇ ਸੁਧਾਰਣਾ ਹੈ। ਹਜ਼ਾਰਾਂ ਅੰਕੜਿਆਂ ਦੇ ਤੌਰ ‘ਤੇ ਪ੍ਰਮਾਣਿਕ ਮੁਲਾਂਕਣਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ, ਅਸੀਂ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਵਿਵਹਾਰਕ ਗੁਣਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਪ੍ਰਗਤੀਸ਼ੀਲ ਟੀਚਿਆਂ ਨੂੰ ਸੈੱਟ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਸੁਧਾਰਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਸਕੋਰ ਸੁਧਾਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹਾਂ।

Embibe ਸਕੋਰ ਸਮਰੱਥਾ: Embibe ਨੇ ਈਵੈਂਟ ਪੱਧਰ ‘ਤੇ ਕੈਪਚਰ ਕੀਤੇ ਵਿਸਤ੍ਰਿਤ ਡੇਟਾ ਸਿਗਨਲਾਂ ਦੇ ਨਾਲ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਮੁਲਾਂਕਣਾਂ ਦੇ ਸੈਂਕੜੇ ਅਨੁਮਾਨਾਂ ਤੋਂ ਕਈ ਉੱਚ ਪ੍ਰਭਾਵ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਪਛਾਣ ਕੀਤੀ ਹੈ। ਅਸੀਂ 94% ਸ਼ੁੱਧਤਾ ਨਾਲ ਸਕੋਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੇ ਯੋਗ ਹੋ ਗਏ ਹਾਂ ਅਤੇ ਇਹ ਸਥਾਪਿਤ ਕਰਨ ਦੇ ਯੋਗ ਹਾਂ ਕਿ ਅਕਾਦਮਿਕ ਭਾਗ 61% ਅਤੇ ਵਿਵਹਾਰਿਕ ਰੂਪ 39% ਹਨ ਜੋ ਇਮਤਿਹਾਨ ਦੇ ਸਕੋਰਾਂ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ। ਪਲੇਟਫਾਰਮ ‘ਤੇ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਉਪਭੋਗਤਾ ਟੈਸਟਾਂ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਕਾਰਨ ਮਾਡਲ ਇਕੱਠੇ ਹੋਣ ਦੇ ਯੋਗ ਸੀ। ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਦੇ ਨਾਲ, ਹੋਰ ਇਮਤਿਹਾਨਾਂ ਲਈ ਬੂਟ-ਸਟਰੈਪਿੰਗ ਮਾਡਲ ਬਹੁਤ ਆਸਾਨ ਹੋ ਗਏ।

ਕੋਸ਼ਿਸ਼ ਅਗਵਾਈ ਸਕੋਰ ਵਿੱਚ ਸੁਧਾਰ: Embibe ਦੇ ਪਲੇਟਫਾਰਮ ‘ਤੇ ਹਰੇਕ ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਵਿਰੁੱਧ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਫੋਕਸਡ ਸਰਚ ਦੇ ਚਾਰ ਸੀਜ਼ਨਾਂ ਦੇ ਨਾਲ, ਇਹ Embibe ਦੀ ਪੇਸ਼ਕਸ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਅੱਗੇ ਵਧਾਉਂਦਾ ਹੈ। ਉੱਚ ਕੋਸ਼ਿਸ਼ਾਂ ਵਾਲੇ ਸਮੂਹ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਨਤੀਜੇ ਵਜੋਂ ~50% ਨੈੱਟ ਸਕੋਰ ਵਿੱਚ ਸੁਧਾਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ।

ਸਮੱਗਰੀ ਸਰਚ ਅਤੇ ਸਿਫ਼ਾਰਿਸ਼ਾਂ: Embibe ਦੀ ਸਰਚ-ਅਧਾਰਿਤ UI ਪਿਛਲੇ ਅੱਠ ਸਾਲਾਂ ਵਿੱਚ ਇਕੱਤਰ ਕੀਤੇ ਗਏ ਡਾਟੇ ਦੀ ਵਿਸ਼ਾਲ ਮਾਤਰਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਚਾਲਿਤ ਹੈ ਕਿਉਂਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸਾਡੇ ਪਲੇਟਫਾਰਮ ਨਾਲ ਗੱਲਬਾਤ ਕੀਤੀ ਸੀ। ਸਾਡਾ ਸਰਚ ਇੰਜਣ ਜੋ ਉਪਭੋਗਤਾ ਸਰਚਾਂ ਦੇ ਅਧਾਰ ਤੇ ਸਮੱਗਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਉਪਭੋਗਤਾ ਸਮੂਹ ਅਸਾਈਨਮੈਂਟਾਂ, ਇਤਿਹਾਸਿਕ ਸਰਚ ਰੁਝਾਨਾਂ ਅਤੇ ਸਮੱਗਰੀ ਦੀ ਖਪਤ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਅਧਾਰ ਤੇ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਸੰਬੰਧਤ ਨਤੀਜਿਆਂ ਨੂੰ ਮੁੜ ਦਰਜਾ ਦਿੰਦਾ ਹੈ, 25 ਅਜਿਹੇ ਭਾਰ ਵਾਲੇ ਕਾਰਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰੀਖਿਆ ਵਿੱਚ ਸਮੱਗਰੀ ਦੀ ਮੁਸ਼ਕਲ ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਪਿਛਲੇ ਉਪਭੋਗਤਾ ਇੰਟਰੈਕਸ਼ਨ ਦੇ ਅਧਾਰ ਤੇ। ਚੁਣਨ ਅਤੇ ਮੁੜ ਦਰਜਾ ਦੇਣ ਲਈ ਲੱਖਾਂ ਸੰਭਾਵੀ ਸੰਜੋਗਾਂ ਦੀ ਸੰਯੁਕਤ ਸਰਚ ਥਾਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਆਪਣਾ ਸਮਾਂ ਫੋਕਸ ਕਰਨ ਲਈ ਨਿਸ਼ਾਨਾ ਸਮੱਗਰੀ ਲਈ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦਿਖਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਪਲੇਟਫਾਰਮ ਨਾਲ ਉਹਨਾਂ ਦੀ ਪਿਛਲੀ ਗੱਲਬਾਤ ਦੇ ਆਧਾਰ ‘ਤੇ, ਜੇਕਰ ਲੋੜੀਂਦਾ ਡਾਟਾ ਉਪਲਬਧ ਹੈ, ਜਾਂ ਡਾਟਾ ਨਾਕਾਫ਼ੀ ਮਾਮਲਿਆਂ ਵਿੱਚ ਦਿੱਖ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ।

ਐਡਟੈਕ ਲਈ AI ਪਲੇਟਫਾਰਮ ਬਣਨ ਲਈ ਇਹ ਕੀ ਲੈਂਦਾ ਹੈ

ਅੱਜ ਦੁਨੀਆ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਐਡਟੈਕ ਕੰਪਨੀਆਂ ਹਨ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਕੰਪਨੀਆਂ ਕੇਵਲ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਕੁਝ ਉਪ ਸਮੂਹਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਿੱਖਿਆ ਨੂੰ ਵਿਅਕਤੀਗਤ ਬਣਾਉਣ ਅਤੇ ਐਡਟੈਕ ਲਈ ਇੱਕ AI-ਸੰਚਾਲਿਤ ਪਲੇਟਫਾਰਮ ਬਣਾਉਣ ਲਈ ਸੰਬੋਧਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਇੱਕ ਐਡਟੈਕ ਕੰਪਨੀ ਦੇ ਵਿਕਾਸ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਟੈਸਟ ਪ੍ਰੈਪ ਪੋਰਟਲ ਤੋਂ ਇੱਕ ਸੱਚਾ ਐਡਟੈਕ ਪਲੇਟਫਾਰਮ ਬਣਨ ਵੱਲ ਵਧਦੀ ਹੈ:

ਸਮੱਗਰੀ	ਕੋਸ਼ਿਸ਼ ਡੇਟਾ	ਡੋਮੇਨ ਮਹਾਰਤ	ਗਿਆਨ ਗ੍ਰਾਫ਼	ਡਾਟਾ ਸਾਇੰਸ ਲੈਬ	ਸੰਭਾਵਨਾਵਾਂ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤ 250+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ					ਮੁੱਢਲੀ ਪ੍ਰੀਖਿਆ ਦੀ ਤਿਆਰੀ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤ 250+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ	ਸਵਾਲਾਂ ‘ਤੇ ਉਪਭੋਗਤਾ-ਪੱਧਰ ਦੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਦੀ ਕੁਝ ਘੱਟੋ-ਘੱਟ ਗਿਣਤੀ				>ਬੇਸਿਕ ਟੈਸਟ ਦੀ ਤਿਆਰੀ + ਬੇਸਿਕ ਯੂਜ਼ਰ-ਪੱਧਰ ਫੀਡਬੈਕ ਵਿਸ਼ਲੇਸ਼ਣ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤ 250+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ, (4) 5 ਪ੍ਰਤੀ ਅਧਿਆਇ ਸਮੱਗਰੀ (ਵੀਡੀਓ, ਟੈਕਸਟ, ਲਿੰਕ) ਸਿੱਖੋ	ਸਵਾਲਾਂ ‘ਤੇ ਉਪਭੋਗਤਾ-ਪੱਧਰ ਦੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਦੀ ਕੁਝ ਘੱਟੋ-ਘੱਟ ਗਿਣਤੀ				ਬੇਸਿਕ ਟੈਸਟ ਦੀ ਤਿਆਰੀ + ਬੇਸਿਕ ਫੀਡਬੈਕ ਵਿਸ਼ਲੇਸ਼ਣ + ਸਿੱਖੋ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤ 500+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ, (4) 5 ਪ੍ਰਤੀ ਅਧਿਆਇ ਸਮੱਗਰੀ ਸਿੱਖੋ	ਸਾਰੇ ਸਵਾਲਾਂ ‘ਤੇ ~6 ਮਿਲੀਅਨ ਕੋਸ਼ਿਸ਼ਾਂ ਲਈ ਪ੍ਰਤੀ ਸਵਾਲ ਔਸਤਨ 25+ ਕੋਸ਼ਿਸ਼ਾਂ	(1) ਸਮੱਗਰੀ ਦੀ ਸਫਾਈ, (2) ਟੈਸਟਾਂ ‘ਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ, (3) ਸ਼ੱਕ ਦੇ ਹੱਲ ਲਈ ਅੰਦਰੂਨੀ ਅਕਾਦਮਿਕ			ਬੇਸਿਕ ਟੈਸਟ ਦੀ ਤਿਆਰੀ + ਵਿਸਤ੍ਰਿਤ ਫੀਡਬੈਕ ਵਿਸ਼ਲੇਸ਼ਣ + ਸਿੱਖੋ + ਸ਼ੱਕ ਦਾ ਹੱਲ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤ 500+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ, (4) 5 ਪ੍ਰਤੀ ਅਧਿਆਇ ਸਮੱਗਰੀ ਸਿੱਖੋ	ਸਾਰੇ ਸਵਾਲਾਂ ‘ਤੇ ਕੁੱਲ ~6 ਮਿਲੀਅਨ ਕੋਸ਼ਿਸ਼ਾਂ ਲਈ ਪ੍ਰਤੀ ਸਵਾਲ ਘੱਟੋ-ਘੱਟ 25+ ਕੋਸ਼ਿਸ਼ਾਂ	(1) ਸਮੱਗਰੀ ਦੀ ਸਫਾਈ, (2) ਟੈਸਟਾਂ ‘ਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ, (3) ਸ਼ੱਕ ਦੇ ਹੱਲ ਲਈ ਅੰਦਰੂਨੀ ਅਕਾਦਮਿਕ	(1) ~ 4000 ਵਿਸ਼ਿਆਂ ਲਈ ਵਿਸ਼ੇ ਪੱਧਰ ਤੱਕ (~ 5 ਵਿਸ਼ੇ ਪ੍ਰਤੀ ਅਧਿਆਇ) ਤੱਕ ਬੁਨਿਆਦੀ ਵਰਗੀਕਰਨ		ਐਡਵਾਂਸਡ ਟੈਸਟ ਦੀ ਤਿਆਰੀ=ਮੁੱਢਲੀ ਪ੍ਰੀਖਿਆ ਦੀ ਤਿਆਰੀ + ਵਿਸਤ੍ਰਿਤ ਫੀਡਬੈਕ ਵਿਸ਼ਲੇਸ਼ਣ + ਸਿੱਖੋ + ਸ਼ੱਕ ਹੱਲ + ਵਿਸ਼ਾ-ਪੱਧਰ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤ 500+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ, (4) 5 ਪ੍ਰਤੀ ਅਧਿਆਇ ਸਮੱਗਰੀ ਸਿੱਖੋ	ਸਾਰੇ ਸਵਾਲਾਂ ‘ਤੇ ~20 ਮਿਲੀਅਨ ਕੋਸ਼ਿਸ਼ਾਂ ਲਈ ਪ੍ਰਤੀ ਸਵਾਲ ਔਸਤਨ 100+ ਕੋਸ਼ਿਸ਼ਾਂ	(1) ਸਮੱਗਰੀ ਦੀ ਸਫਾਈ, (2) ਟੈਸਟਾਂ ‘ਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ, (3) ਸ਼ੱਕ ਦਾ ਹੱਲ, (4) ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੇ ਨਾਲ AI ਪਰਿਕਲਪਨਾ ਬਣਾਉਣ ਲਈ ਅੰਦਰੂਨੀ ਅਕਾਦਮਿਕ	(1) ~40K ਕੰਸੈਪਟਸ ਲਈ ਕੰਸੈਪਟਪੱਧਰ ਤੱਕ (~100 ਕੰਸੈਪਟਸ ਪ੍ਰਤੀ ਅਧਿਆਇ) ਤੱਕ ਡੂੰਘਾਈ ਨਾਲ ਵਰਗੀਕਰਨ	4 ਵਿਅਕਤੀ ਡਾਟਾ ਵਿਗਿਆਨ ਟੀਮ 2+ ਸਾਲਾਂ ਲਈ ਕੰਮ ਕਰ ਰਹੀ ਹੈ	ਐਡਵਾਂਸਡ ਟੈਸਟ ਦੀ ਤਿਆਰੀ + ਵਿਅਕਤੀਗਤਕਰਨ + ਸਿੱਖਣ ਦੇ ਨਤੀਜੇ
(1) ਅਧਿਆਇ ਪੱਧਰ ‘ਤੇ ਔਸਤਨ 500+ ਸਵਾਲ, (2) ਘੱਟੋ-ਘੱਟ 3 ਅਧਿਆਇ ਪੱਧਰ ਦੇ ਟੈਸਟ, (3) 10 ਪੂਰੇ ਟੈਸਟ, (4) ਪ੍ਰਤੀ ਅਧਿਆਇ ਘੱਟੋ-ਘੱਟ 5 ਸਿੱਖੋ ਸਮੱਗਰੀ	ਔਸਤਨ 150+ ਕੋਸ਼ਿਸ਼ਾਂ (50 ਪ੍ਰਤੀ ਸਮੂਹ) ਪ੍ਰਤੀ ਸਵਾਲ ~30 ਮਿਲੀਅਨ ਕੋਸ਼ਿਸ਼ਾਂ ਲਈ ਸਾਰੇ ਸਵਾਲਾਂ ਲਈ	(1) ਸਮੱਗਰੀ ਦੀ ਸਫਾਈ, (2) ਟੈਸਟਾਂ ‘ਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ, (3) ਸ਼ੱਕ ਦਾ ਹੱਲ, (4) ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੇ ਨਾਲ AI ਪਰਿਕਲਪਨਾ ਬਣਾਉਣ ਲਈ ਅੰਦਰੂਨੀ ਅਕਾਦਮਿਕ	(1) ~40K ਕੰਸੈਪਟਸ ਲਈ ਕੰਸੈਪਟਪੱਧਰ ਤੱਕ (~100 ਕੰਸੈਪਟਸ ਪ੍ਰਤੀ ਅਧਿਆਇ) ਤੱਕ ਡੂੰਘਾਈ ਨਾਲ ਵਰਗੀਕਰਨ	8 ਵਿਅਕਤੀ ਡਾਟਾ ਸਾਇੰਸ ਟੀਮ 2+ ਸਾਲਾਂ ਤੋਂ ਆਟੋ ਇੰਜੈਸ਼ਨ (OCR), ਆਟੋ ਟੈਗਿੰਗ (NLP, ML), ਪੈਕੇਜਿੰਗ (ਓਪਟੀਮਾਈਜੇਸ਼ਨ), ਗਿਆਨ ਗ੍ਰਾਫ ਜਨਰੇਸ਼ਨ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (IR, ਗ੍ਰਾਫ ਮਾਈਨਿੰਗ, ML), ਵਿਵਹਾਰ ਦਖਲ (ML) ਵਰਗੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੰਮ ਕਰ ਰਹੀ ਹੈ। ), ਵਿਅਕਤੀਗਤਕਰਨ (IRT, ML)	ਸਿੱਖਿਆ ਲਈ AI ਪਲੇਟਫਾਰਮ=ਐਡਵਾਂਸਡ ਟੈਸਟ ਦੀ ਤਿਆਰੀ + ਵਿਅਕਤੀਗਤਕਰਨ + ਸਿੱਖਣ ਦੇ ਨਤੀਜੇ + ਇੰਟੈਲੀਜੈਂਸ-ਏ-ਏ-ਸਰਵਿਸ