మేథస్

మేథస్ అనేది ఒక సంస్కృత పదం. దీని అర్థం విజ్ఞానం, అవగాహన మరియు మేథస్సు. న్యాచురల్ లాంగ్వేజ్ అండర్‌స్టాండింగ్ (NLU) అనేది విద్యాపరమైన కృత్రిమ మేథస్సు ఆధారిత వేదికలో చాలా కీలకమైనది. NLU సామర్థ్యాలు అనేవి హైపర్ ట్యాగ్డ్ లెర్నింగ్, కంటెంట్‌ని అంచనా వేయడం, సందర్భానుసారమైన నాలెడ్జ్ గ్రాఫ్స్, చర్చించుకోదగిన మరియు వివరణాత్మక అంచనాలను మరింత పటిష్టం చేస్తాయి. వీటి ద్వారా విద్యార్థులు వారు కోరుకున్న ఫలితాలను పొందే అవకాశాలు ఉంటాయి. క్వశ్చన్ జనరేషన్, ప్రశ్నలకు సమాధానం చెప్పడం, సందేహ నివృత్తి, ఇన్‌స్టా సాల్వర్ తదితర మేథోపరమైన పనులు స్టేట్ ఆఫ్ ది ఆర్ట్ పెర్ఫార్మెన్స్ ద్వారా పని చేస్తాయి. విద్యార్థులకు ఉపకరించే వాటిలో ఇవి కొన్ని ఉదాహరణలు.

డొమైన్ అనువర్తనాలలో లోతైన అభ్యాస ప్రక్రియ ద్వారా దాని సంభావ్యతను మరింత ధృడపరుచుకుంటూ కృత్రిమ మేథస్సు చాలా వరకు అభివృద్ధి చెందింది. ఏది ఏమైనప్పటికీ ప్రస్తుతం శిక్షణా సమాచారంలో సంఖ్యారూపంలో సంగ్రహించబడిన లేటెంట్ లెర్నింగ్ ప్రక్రియల ద్వారా శిక్షణ పొందిన బ్లాక్ బాక్స్ మోడల్స్ కృత్రిమ మేథస్సుని నియంత్రిస్తున్నాయి. ఈ మోడల్స్ ఊహాతీతమైనవి అయినప్పటికీ స్పష్టంగా నిర్వచించబడిన డొమైన్‌ల కంటే దాడికి సమర్థంగా అనువైనవి.

మేథస్ వేదిక యొక్క లక్ష్యాలు:

  • లోతైన అభ్యాస నమూనాలని వివరంగా మరియు అర్థమయ్యే విధంగా చేస్తుంది.
  • నాలెడ్జ్ గ్రాఫ్స్‌లో స్పష్టంగా నిర్వచించబడిన డొమైన్ నాలెడ్జ్‌కి లోతైన అభ్యాస నమూనాలలో స్థానం కల్పిస్తుంది.
  • పరికరాలు మరియు వనరులను నియంత్రించే సెట్టింగ్స్‌లో లోతైన అభ్యాస నమూనాలని సులభంగా యాక్సెస్ అయ్యేలా చేస్తుంది.
  • మరో మాటలో చెప్పాలంటే పరికరంలో స్థానిక అనుమతిని రూపొందించేది మోడల్ ఆప్టిమైజేషన్.

నాలెడ్జ్ గ్రాఫ్స్ నుంచి  సెల్ఫ్ అటెన్షన్ ఆధారిత మోడల్స్‌తో మేము పరిజ్ఞానం అందిస్తాం. ఉదాహరణకు ‘ఆబ్సెంట్ మైండెడ్‌నెస్’ వంటి కాన్సెప్ట్యుయల్ అంశాలని మేము కాన్సెప్ట్ నెట్ నుంచి తీసుకుని ఇక్కడ దానిని BERT టోకెన్ ఎంబెడింగ్స్‌తో కలిపాం. ‘ఆబ్సెన్స్ ఆఫ్ మైండ్’ కి కూడా ఇదే పద్ధతిలో నాలెడ్జ్ ఎంబెడింగ్ చేశాం. కాబట్టి తదుపరి దశ అయిన సెల్ఫ్ అటెన్షన్ అనేది టోకెన్ ఎంబెడింగ్స్ మరియు పరిజ్ఞానాన్ని ఉపయోగించుకోవడం ద్వారా ‘ఆబ్సెంట్ మైండెడ్‌నెస్’, ‘ఆబ్సెన్స్ ఆఫ్ మైండ్’ కి సంబంధించిన ఎంటీటీలపై దృష్టి పెడుతుంది.

‘ఆబ్సెంట్ మైండెడ్‌నెస్’ మరియు ‘ఆబ్సెన్స్ ఆఫ్ మైండ్’ల యొక్క నాలెడ్జ్ ఎంబెడింగ్ చాలా సారూప్యంతో కూడుకున్నవి కాబట్టి ఒక మోడల్ ద్వారా ఈ రెండింటికీ సంబంధించిన అంశాల గురించి ఒక అవగాహన ఏర్పడుతుంది.

పైన ఉన్న ఉదాహరణలో ‘ద్రవ్యరాశి’ మరియు ‘వ్యాసార్థం’ వంటి అంశాలకు సంబంధించిన నాలెడ్జ్ ఎంబెడింగ్‌ని మేము వర్డ్ నెట్ నుంచి తీసుకుంటున్నాం. దానిని BERT యొక్క సెల్ఫ్ అటెన్షన్ లేయర్‌కి టోకెన్ ఎంబెడింగ్స్ ద్వారా కలుపుతున్నాం.

కాబట్టి సెల్ఫ్ అటెన్షన్ లేయర్ అనేది స్పష్టత లేని అంశాలకు సంబంధించిన  నాలెడ్జ్ ఎంబెడింగ్ మరియు టోకెన్ ఎంబెడింగ్‌లపై దృష్టి సారిస్తుంది. ఇది ఇచ్చిన వాక్యాన్ని నమూనా ద్వారా సులభంగా అర్థం చేసుకోవడానికి సహాయపడుతుంది.

పరిజ్ఞానాన్ని కలపడం  ద్వారా మరింత ఆత్మవిశ్వాసం ఎలా లభిస్తుంది?

పైన ఉదాహరణలో మనం చూస్తే (రెండవ చివరి వరుస); గ్రీన్ హౌస్ ఎఫెక్ట్ మరియు అస్పష్టమైన ‘ట్రాపింగ్’, ‘ శోషణ’ వంటి కాన్సెప్ట్యుయల్ అంశాలను కలిపిన తర్వాత సరైన దానిని ఊహించే ఆత్మవిశ్వాసం 60.55% కి పెరిగింది. మరిన్ని అంశాలను ఇలా కలపడం ద్వారా సరైన సమాధానాన్ని ఊహించి చెబుతూ ఆత్మవిశ్వాసాన్ని పెంపొందించుకోవచ్చు.

అస్పష్టమైన మరియు కాన్సెప్ట్యుల్ అంశాలైన ‘సౌరశక్తి’, మరియు ‘కారణం’ మొదలైన అంశాలను యాడ్ చేయడం ద్వారా ఆత్మవిశ్వాస స్థాయిని 61.97% కి పెంచుకోవచ్చు.

సంక్షిప్తంగా చెప్పాలంటే మనం ఎన్ని అర్థవంతమైన అంశాలను యాడ్ చేస్తే అంత సరైన ఊహకు (వెనిల్లా BERT లో తప్పుగా ఊహిస్తుంది) అవకాశం ఉండడమే కాదు.. నమూనా యొక్క ఆత్మవిశ్వాసాన్ని సైతం పెంచుతాయి.

Embibeలో మేథస్ వేదికని ఎడ్యుకేషన్ రీసెర్చ్ ల్యాబ్ వారు రూపొందించారు. అధిక ప్రభావం గల కీలకమైన బహిరంగ సమస్యలను గుర్తించడం మరియు స్టేట్ ఆఫ్ ఆర్ట్ రీసెర్చ్‌ని వాస్తవ విలువ గల ప్రతిపాదనలను కనుగొనే ప్రయత్నం చేసే ఓ క్రమశిక్షణపూరితమైన భాగమే ఎడ్యుకేషన్ రీసెర్చ్ ల్యాబ్.

రెఫెరెన్స్:

[1] 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.

[2] 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).

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

[4] Keyur Faldu. “Rise of Modern NLP and the Need of Interpretability!” Towards Data Science, August 2020.

[5] Keyur Faldu, Dr Amit Sheth. “Discovering the Encoded Linguistic Knowledge in NLP models.” Towards Data Science, September 2020.

[6] Keyur Faldu, Dr Amit Sheth. “Linguistics Wisdom of NLP Models.” Towards Data Science, November 2020. 

[7] A. Sheth, M. Gaur, K. Roy and K. Faldu, “Knowledge-Intensive Language Understanding for Explainable AI,” in IEEE Internet Computing, vol. 25, no. 5, pp. 19-24, 1 Sept.-Oct. 2021, doi: 10.1109/MIC.2021.3101919

[8] 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.

[9] 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).

[10] Faldu, Keyur, Achint Thomas, and Aditi Avasthi. “System and method for recommending personalized content using contextualized knowledge base.” U.S. Patent Application 16/586,512, filed October 1, 2020.

[11] Thomas, Achint, Keyur Faldu, and Aditi Avasthi. “System and method for personalized retrieval of academic content in a hierarchical manner.” U.S. Patent Application 16/740,223, filed October 1, 2020.

[12] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

← AI హోం పేజ్‌కు వెళ్లు