கற்றல் தோழி

கற்றல் தோழி: உங்கள் கற்றல் துணை

Embibe தளத்தில், மாணவர்களின் கற்றல் பயணத்தை சிறப்பானதாக ஆக்குவதே எங்களின் குறிக்கோள். கற்றல் தோழி என்பது கேள்விக்கு பதில் அளிப்பது மற்றும் சந்தேகத் தீர்ப்பானைப் பயன்படுத்தி மாணவர்கள் தங்கள் கற்றல்களை மீண்டும் நினைவுகூற உதவும் வகையில் வடிவமைக்கப்பட்ட ஒரு செயற்கை நுண்ணறிவு சாட்பாட் ஆகும்.

தெளிவான கள அறிவு என்பது ஆழமான கற்றல் மாதிரிகளை பூர்த்தி செய்து தானியக்கமாக கேள்விகளை உருவாக்கவும் மற்றும் பதிலளிக்கவும் முக்கியமானது. Emibibe தளத்தின் அறிவு வரைபடம், உள்ளடக்க நுண்ணறிவின் முதுகெலும்பாக உள்ளது. இது ஒரு மில்லியனுக்கும் அதிகமான உறவுகளில் இணைக்கப்பட்ட ஆயிரக்கணக்கான கருத்துக்கள் மற்றும் திறன்களைக் கொண்டுள்ளது.

கற்றல் தோழி என்பது செயற்கை நுண்ணறிவு மற்றும் அதிநவீன மொழி மற்றும் தொலைநோக்கு மாதிரிகளை பயன்படுத்தி உருவாக்கப்பட்டுள்ளது. இது அறிவார்ந்த உரையாடல்களை உருவாக்க, ஆழமான கற்றல் மாதிரிகளுக்குள் கற்றல் அறிவு வரைபடங்களை புகுத்துகிறது. கற்றல் தோழி என்பது பின்வரும் திறன்களை வழங்குகிறது:

1. மாணவரின் கற்றல் வெளிப்பாடுகளை மதிப்பிட ஒரு மாணவரின் கற்றல் வரலாற்றின் அடிப்படையில் கேள்விகளைக் கேட்கிறது.
2. மாணவர் கற்றல் உள்ளடக்கத்துடன் கருத்து பரிமாறும் போது மாணவரின் கேள்விகளுக்கு பதிலளிக்கிறது.
3. தானாக மொழிபெயர்க்கப்படும் கேள்விகள் மற்றும் பயனர்கள் விரும்பும் மொழியில் பதில்களை இது கொண்டுள்ளது.

1.கேள்வி உருவாக்கம் (QG)

தானாக கேள்விகளை உருவாக்கும் திறன் மாணவர்களுடன் ஈடுபடுவதற்கும் அவர்களின் கருத்துகளின் புரிதலை மதிப்பிடுவதற்கும் வாய்ப்பைக் கொண்டுவரும். T5, UniLM போன்ற அதிநவீன மொழி மாதிரிகளை நாங்கள் விரிவுபடுத்தியுள்ளோம். மேலும் ARC, DROP, QASC, SciQ, SciTail, SQUAD, HotpotQA போன்ற கிடைக்கக்கூடிய ஆராய்ச்சி தரவுத்தொகுப்புகள் மற்றும் Embibe-க்கு சொந்தமான தரவுத்தொகுப்புகளில் அவர்களுக்கு பயிற்சி அளித்துள்ளோம். பூலியன், ஸ்பான் அடிப்படையிலான, வெற்றிடங்களை நிரப்புதல், பல தேர்வு கேள்விகள் போன்ற பல வகையான கேள்விகளை நாங்கள் ஆதரிக்கிறோம். KI-BERT போன்ற கட்டமைப்புகளுடன் கல்வி அறிவு வரைபடங்களிலிருந்து அறிவு உட்செலுத்துதலை நாங்கள் பயன்படுத்துகிறோம். கற்றல் வரைபடங்கள் மூலம் மிகுதிப்படுத்துவதன் உதவியுடன் மாதிரிகள் சிறப்பாக விளக்கக்கூடியதாக இருப்பதையும் நாங்கள் உறுதிசெய்கிறோம். எங்கள் மாதிரிகள் நிறுவன விழிப்புணர்வு கவனத்தின் வழிமுறைகளின் உதவியுடன் மல்டி-ஹாப் கேள்விகளையும் உருவாக்குகின்றன. கேள்வி உருவாக்க மாதிரியானது கற்றல் சூழலை உள்ளீடாகவும், விரும்பிய கேள்வி வகைக்கான நினைப்பூட்டுதல் மற்றும் பிற கேள்வி வகை குறிப்பிட்ட மெட்டாடேட்டாவை உள்ளீடாகவும் எடுத்துக்கொள்கிறது. கேள்விகளை உருவாக்க பீம் தேடல் மற்றும் நியூக்ளியஸ் மாதிரி முறைகளைப் பயன்படுத்துகிறோம்.

2.கேள்விக்கு பதிலளித்தல்(QA) 

மாணவர்களின் கற்றல் பயணம், ஒரு முன்கூட்டிய கேள்விக்கு பதிலளிக்கும் திறனைக் கொண்டிருக்கும் போது, ​​அவர்கள் நேர்மறையான தாக்கத்தைப் பெறுகிறார்கள். மாணவர்களின் கேள்விகளுக்கு பதிலளிக்கும் போது அவர்களின் கற்றல் செயல்பாடு பயனுள்ளதாக இருக்கும். கற்றல் தோழி, மாணவர்களுக்கு எந்தவொரு கேள்வியையும் கேட்க அதிகாரம் அளிக்கிறது. கேள்வி, பதில் மாதிரிகளைப் பயன்படுத்தி பதிலளிக்கப்படும். கேள்விகளுக்கு பதிலளிக்கும் மாதிரிகள் T5, UniLM போன்ற முன் பயிற்சி பெற்ற மொழி மாதிரிகளை மேம்படுத்துவதன் மூலம் பயிற்சியளிக்கப்படுகின்றன மற்றும் முந்தைய பிரிவுகளில் குறிப்பிடப்பட்டுள்ள ஆராய்ச்சி தரவுத்தொகுப்புகள் மற்றும் Embibe-க்கு சொந்தமான தரவுத்தொகுப்புகளில் நன்றாக வடிவமைக்கப்பட்டுள்ளன. தேர்ந்தெடுக்கப்பட்ட உரை, அத்தியாயம், புத்தகம் அல்லது பாடத்திட்டம் போன்ற பல்வேறு சூழல் வகைகளிலிருந்து பயனர்கள் கேள்விகளைக் கேட்கலாம். எங்கள் கேள்வி பதில் அமைப்பு, அடர்த்தியான வெக்டார் சொற்பொருள் ஒற்றுமையைப் பயன்படுத்தி சூழல் வகைகளின் அடிப்படையில் தொடர்புடைய சூழலைத் தேர்ந்தெடுத்து, பதிலைக் கணிக்க ஒரு கேள்விக்கு பதிலளிக்கும் மாதிரியைத் தூண்டுகிறது. Feedback லூப் தொடர்ந்து எங்கள் மாதிரியை மேம்படுத்த உதவும். எங்கள் கேள்வி-பதில் மாதிரி மிகவும் மேம்பட்டது, அதனைப் பயன்படுத்தி நீட் நுழைவுத் தேர்வினைக் கூட நீங்கள் முறியடிக்க முடியும்.

3.வட்டார மொழிகளில் மொழிபெயர்ப்பு (VT)

கற்றல் தோழியானது பல மொழிகளை ஆதரிக்கிறது மற்றும் பயனர்களின் விருப்பங்களின் அடிப்படையில் முழுமையான உரையாடல்கள் எந்த வட்டார மொழியிலும் இருக்கலாம். இதன் மூலம் எந்த முன் வரையறுக்கப்பட்ட மொழியிலும் தானாக உருவாக்கப்பட்ட கேள்விகளைக் கேட்கலாம், மேலும் அதே மொழியில் பதில்களை மதிப்பீடு செய்யலாம். பொதுவான மொழிபெயர்ப்பிற்கான பிற ஆஃப்-தி-ஷெல்ஃப் முறைகளை விட சிறப்பாக உருவாக்கப்பட்ட NMT மாதிரியை நாங்கள் பயன்படுத்துகிறோம். தற்போது, இந்தி, குஜராத்தி, மராத்தி, தமிழ், தெலுங்கு, பெங்காலி, கன்னடம், அஸ்ஸாமி, ஒரியா, பஞ்சாபி மற்றும் மலையாளம் உள்ளிட்ட 11 இந்திய மொழிகளை நாங்கள் சாட் பட்டியில் ஆதரிக்கிறோம். கல்வி சார்ந்த களம் விவரக்குறிப்பு காரணமாக,கூகுள் மொழிபெயர்ப்பு போன்ற மூன்றாம் தரப்பு API-களை விட நாங்கள் உருவாக்கிய மாதிரிகள் சிறந்து விளங்குகின்றன.

கூகுள் மொழிபெயர்ப்பை விட நமது மொழிபெயர்ப்பு சிறந்ததாக இருக்கும் சில உதாரணங்களை அட்டவணை 1ல் பார்க்கலாம்:

ஆங்கிலம்	கூகுள் மொழிபெயர்ப்பு	கற்றல் தோழியின் மொழிபெயர்ப்பு
which of the following law was given by Einstein:	பின்வரும் எந்த சட்டத்தை ஐன்ஸ்டீன் வழங்கினார்:	பின்வருவனவற்றில் எந்த விதியை ஐன்ஸ்டீன் வழங்கினார்:
which one of the following is not alkaline earth metal?	பின்வருவனவற்றில் எது கார பூமி உலோகம் அல்ல?	பின்வருவனவற்றில் எது காரமண் உலோகம் அல்ல?
Endogenous antigens are produced by intra-cellular bacteria within a host cell.	எண்டோஜெனஸ் ஆன்டிஜென்கள் ஒரு புரவலன் கலத்திற்குள் உள்ள உள்-செல்லுலார் பாக்டீரியாவால் உற்பத்தி செய்யப்படுகின்றன.	அகந்தோன்றி எதிர்பொருள் தூண்டிகள் ஒரு விருந்தோம்பியின் செல்களுக்குள் உள்ள செல்லக பாக்டீரியாவால் உற்பத்தி செய்யப்படுகின்றன.

சுருக்கமாக, உரையாடல் சார்ந்த AI சாட்பாட் கற்றல் தோழியானது கற்றல் விளைவுகளை வழங்க உதவுவதன் மூலம் மாணவர்களின் கற்றல் பயணத்தில் ஒரு நல்ல தாக்கத்தை ஏற்படுத்துகிறது. ஒவ்வொரு கற்றல் அமர்வுக்குப் பிறகும், மாணவர்கள் தங்கள் சொந்த மொழிகளில் கேள்விகளைக் கேட்கவும், அவர்களின் சந்தேகங்களைத் தீர்க்கவும் இது மாணவர்களுக்கு உதவும். கற்றல் தோழியானது எங்கள் NLU இயங்குதளமான மேதாஸ் மூலம் இயக்கப்படுகிறது. இது கள அறிவு உட்செலுத்துதல், பொருளுணர்வு மற்றும் விளக்கத்தை அடிப்படைக் கொள்கைகளாகக் கொண்டுள்ளது.

ரெபெரென்ஸ்:

[1] Raffel, Colin, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, and Peter J. Liu. “Exploring the limits of transfer learning with a unified text-to-text transformer.” arXiv preprint arXiv:1910.10683 (2019).

[2] Dong, Li, Nan Yang, Wenhui Wang, Furu Wei, Xiaodong Liu, Yu Wang, Jianfeng Gao, Ming Zhou, and Hsiao-Wuen Hon. “Unified language model pre-training for natural language understanding and generation.” arXiv preprint arXiv:1905.03197 (2019).

[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] Zhu, Fengbin, Wenqiang Lei, Chao Wang, Jianming Zheng, Soujanya Poria, and Tat-Seng Chua. “Retrieving and reading: A comprehensive survey on open-domain question answering.” arXiv preprint arXiv:2101.00774 (2021).

[6] Gaur, Manas, Ankit Desai, Keyur Faldu, and Amit Sheth. “Explainable AI Using Knowledge Graphs.” In ACM CoDS-COMAD Conference. 2020.

[7] Sheth, Amit, Manas Gaur, Kaushik Roy, and Keyur Faldu. “Knowledge-intensive Language Understanding for Explainable AI.” IEEE Internet Computing 25, no. 5 (2021): 19-24.

[8] “[Tutorial] Explainable AI using Knowledge Graphs”, YouTube, ACM SIGKDD India Chapter, Jan 2021, https://www.youtube.com/watch?v=f1sahXYDjRI[9] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

← AI ஹோமிற்கு பின் செல்லவும்