மெட்டா டேக்ஸ் ரேங்கர்

மெட்டா டேக்ஸ் ரேங்கர்

கல்வித் தொழில்நுட்பத் துறையில், அனைத்துப் பயனர்களுக்கும் கருத்துக்களை அணுகக்கூடியதாகவும் கண்டறியக்கூடியதாகவும் மாற்றுவது முக்கியமான பணிகளில் ஒன்றாகும். அதற்காக, தயாரிப்புகளின் ஒட்டுமொத்த பயனர் அனுபவத்துடன் சீரமைக்கப்பட்ட தொடர்புடைய குறிச்சொற்களுடன் கருத்துக்களை குறியிடுவதற்கு நிறுவனங்கள் மனித குறியீட்டாளர்கள் அல்லது பாடத்தில் நிபுணத்துவம் பெற்றவர்களை பயன்படுத்துகின்றன.

Embibe-யின் அறிவு வரைபடத்தில் 74,000+ இணைப்புகள் உள்ளன, ஒவ்வொன்றும் அறிவின் தனித்துவமான அலகுகளைக் குறிக்கும். கூடுதலாக, 1,89,380 இணைப்புகள் மற்றும் 2,15,062 திறன்கள் உள்ளன. நூற்றுக்கணக்கான பாடத்திட்டங்களில் ஆயிரக்கணக்கான தேர்வுகளில் கருத்துக்கள் விரிவுபடுத்தப்படுவதால், குறியிடல் செயல்முறை அதிக விலை மற்றும் நேரத்தை எடுத்துக்கொள்ளும். மேலும், தரவுத்தொகுப்பின் வெவ்வேறு துணைக்குழுக்களில் வேலை செய்யும் பல மனித குறிப்பாளர்கள் இருப்பதால், தரவுத்தொகுப்பின் கைமுறை குறியிடல் நிகழும்போது மனித சார்பு எப்போதும் இருக்கும்.

மெட்டா டேக் ரேங்கர், வளைய அரை-தானியக்க குறியிடுதல் செயல்பாட்டில் மனிதர்களை கொண்டு கையேடு செயல்முறையை மாற்றுவதன் மூலம் மனிதக் குறியிடலுடன் தொடர்புடைய சிக்கல்களை குறைப்பதை நோக்கமாகக் கொண்டுள்ளது. மெட்டா டேக்ஸ் ரேங்கர் என்பது பாட வல்லுநர்களுக்காக உருவாக்கப்பட்ட ஒரு கருவியாகும், இது Embibe தளத்தை ஆதரிக்கும் அனைத்து இலக்குகளுக்கும் பாடம், அலகு, அத்தியாயம், தலைப்பு மற்றும் ஏதேனும் கொடுக்கப்பட்ட கேள்விகளின் கருத்தை குறியிடுவதற்கான பரிந்துரைகளை வழங்குகிறது. கூடுதலாக, இது கடினத்தன்மை, சரியான நேரம் மற்றும் கேள்வியின் சிரம நிலைக்கான பரிந்துரைகளையும் வழங்குகிறது.

இது எவ்வாறு செயல்படுகிறது என்பதை இரண்டு எடுத்துக்காட்டுகளுடன் விளக்குவோம்.

மெட்டா டேக்ஸ் ரேங்கர், தீவிர மல்டிகிளாஸ் வகைப்பாடு சிக்கல் (XMC)[1][2] என்பதை அடிப்படையாகக் கொண்டது. Embibe-யில், கொடுக்கப்பட்ட கேள்விகளுக்கு 74,000+ வகைகள் அல்லது கருத்துகள் உள்ளன. வகுப்புகள் ஒன்றுக்கொன்று பிரத்தியேகமானவை அல்ல, அதாவது, கருத்துக்கள் இயல்பில் ஒன்றுடன் ஒன்று மேற்பொருந்துபவையாக உள்ளன. XMC-யின் மற்ற சவால் தரவுத்தொகுப்பின் பரவல் ஆகும். எல்லா வகுப்புகள் அல்லது கருத்துக்களும் போதுமான எண்ணிக்கையிலான தரவுப் புள்ளிகளைக் கொண்டிருக்கவில்லை, அதாவது, சில வகுப்புகளில் அதிகமான தரவுப் புள்ளிகள் உள்ளன, மற்றவை மிகக் குறைவானவை, இது குறைவான தரவுப்புள்ளிகளை கொண்ட வகுப்புகளை மாதிரி புறக்கணிக்க காரணமாகிறது. மெட்டா டேக் ரேங்கர், இயற்கையான மொழிப் புரிதலுக்கான நவீன ஆழ்ந்த கற்றல் நுட்பங்களைப் பயன்படுத்துகிறது. இது வலைப்பின்னல் மாதிரிகளைப் பயிற்றுவிப்பதில் அறிவு வரைபடங்களையும் பயன்படுத்துகிறது [3]. மாதிரியின் மூலம் புரிந்துகொள்ளக் கூடிய மற்றும் விளக்கக்கூடிய கணிப்புகள், கல்வியாளர்கள் இந்த திறனை உற்பத்தி அமைப்புகளில் பயன்படுத்த நம்புவதற்கு உதவுகின்றன [4][5]. இத்தகைய செறிவூட்டப்பட்ட கருத்துக்கள் தானியக்க டெஸ்ட் உருவாக்கம் [5][7] மற்றும் கற்றல் வெளிப்பாடுகளை[6] வழங்கும் திறனை மேம்படுத்துகிறது.

மெட்டா டேக் இயக்கி புத்தகங்கள், கேள்விகள் மற்றும் கற்றல் வீடியோக்களுக்கான AI உடன் கைமுறை குறியிடல் செயல்முறைக்கான ஆயிரக்கணக்கான மணிநேரங்களை சேமிக்கிறது. இது பல்வேறு வகுப்புகள் மற்றும் பாடங்களுக்கான பாட நிபுணத்துவத்தின் தேவையையும் குறைத்தது. வீடியோ மற்றும் 3D உள்ளடக்கங்கள் உருவாக்கத்திற்கான குரல் மெட்டாடேக்குகளையும் Embibe உருவாக்கி வருகிறது.

ரெபரென்சஸ்:

[1] Chang, Wei-Cheng, Hsiang-Fu Yu, Kai Zhong, Yiming Yang, and Inderjit S. Dhillon. “Taming pretrained transformers for extreme multi-label text classification.” In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 3163-3171. 2020.

[2] Dahiya, Kunal, Deepak Saini, Anshul Mittal, Ankush Shaw, Kushal Dave, Akshay Soni, Himanshu Jain, Sumeet Agarwal, and Manik Varma. “DeepXML: A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents.” In Proceedings of the 14th ACM International Conference on Web Search and Data Mining, pp. 31-39. 2021.[arXiv]

[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] Dhavala, Soma, Chirag Bhatia, Joy Bose, Keyur Faldu, and Aditi Avasthi. “Auto Generation of Diagnostic Assessments and Their Quality Evaluation.” International Educational Data Mining Society (2020).

[6] Faldu, Keyur, Aditi Avasthi, and Achint Thomas. “Adaptive learning machine for score improvement and parts thereof.” U.S. Patent 10,854,099, issued December 1, 2020.

[7] Desai, Nishit, Keyur Faldu, Achint Thomas, and Aditi Avasthi. “System and method for generating an assessment paper and measuring the quality thereof.” U.S. Patent Application 16/684,434, filed October 1, 2020.

← AI ஹோமிற்கு பின் செல்லவும்