Scan to download the app 
Saas ద్వారా AI అన్లాక్
సందేహ నివృత్తి
స్ఫూర్తి రగిలించుట
అనేక మంది విద్యార్థులు స్వయంగా టెస్ట్ లను రాయడంతో పాటు సాధన చేసి బాగా నేర్చుకుని మంచి ఫలితాలను సాధించడానికి Embibe ను విరివిగా ఉపయోగిస్తున్నారు. ఈ ప్రక్రియ లో అనేక సందేహాలు మరియు పొరపాట్లు సంభవిస్తాయి. ఈ ప్రశ్నల గుర్తించి విద్యార్థులను ప్రోత్సహించడానికి మేము ఈ సందేహ నివృత్తి ఫీచర్‌ను అందిస్తున్నాము.
ఇది సందేహాలను పరిష్కరించడానికి విద్యార్థులకు సహాయపడే వేదిక. ఈ సందేహాలను సబ్జెక్టు నిపుణులు పరిష్కరించినప్పటకి, ఎక్కువ సమస్యలను ప్రతి సమస్యను మాన్యూవల్ గా తిరగి పొందటం చాలా కఠినంగా ఉంటుంది. ఇది ఎక్కువ సమయంను సబ్-ఆప్టికల్ యూసర్ ఎక్స్పీరియన్స్ ను పరిచయం చేస్తుంది.
అవకాశాన్ని ట్యాపింగ్ చేయడం
అకడమిక్ కంటెంట్ ఎక్కువగా ఇమేజ్స్ (చిత్రాలు) , సమీకరణాలు మరియు సింబల్స్ తో కూడిన సమాచారాన్ని కలిగి ఉంటుంది. డొమైన్-డిపెండెంట్ అర్థవంతమైన సమాచారాన్ని టెక్ట్స్ మరియు ఇమేజ్స్ నుండి సంగ్రహించడం కఠినంగా ఉంటుంది. దీనికి లార్జ్ డేటాసెట్స్ తో డొమైన్ స్పెసిఫిక్ నాలెడ్జ్ మరియు స్టేట్ ఆఫ్ ది ఆర్ట్ మోడల్ సహజ భాషలో అభ్యాస విధానాల ఆక్సెస్ చేయవలెను.
ఇది వరకే ఉన్న కంటెంట్ యొక్క కార్పోరాను ఉపయోగించి సారూప్య ప్రశ్నలను అందించడానికి లేదా ప్రశ్నలకు సంబమధించిన అంశాలకు సమాధానమివ్వగల వ్యవస్థను రూపొందించడానికి సందేహ నివృత్తి ఉపయోగపడుతుంది. Embibe క్వశ్చన్ బ్యాంక్‌లో ఎక్కువ ప్రశ్నలు ఉంటాయి. క్వశ్చన్ టెక్ట్స్ మరియు రేఖాచిత్రాలు ప్రశ్నకు సంబంధించిన చిత్రాల నుండి సమాచారాన్ని పొందడానికి అకడమిక్ కార్పోరాలో ఫైన్-ట్యూన్ చేయబడిన స్టేట్ ఆఫ్ ది ఆర్ట్ మోడల్‌లను ఉపయోగిస్తాము.
సందేహ నివృత్తి ప్రాడక్ట్ మానవ ప్రమేయం లేకుండానే 93% ప్రశ్నలకు ఆటోమేటిక్‌గా సమాధానం ఇవ్వగలదు.
సందేహ నివృత్తి వ్యవస్థ ఏర్పాటు
డయాగ్రామ్ ఎక్సట్రాక్షన్:
మీకు సందేహ నివృత్తి చేయడానికి ప్రశ్నకు సమబంధించిన అంశాలను సంగ్రహించడానికి ఇది సహాయపడుతుంది. అందువల్ల మేము సంగ్రహించిన రేఖాచిత్రాలను అర్థ సారూప్యత లెక్కించడానికి డయాగ్రామ్ ఎక్సట్రాక్షన్ లేయర్‌ను అందిచాము. OCR మాడ్యూల్‌కు ఇన్‌పుట్‌లో రేఖాచిత్రం ఉండటం కొంత గందరగోళంగా ఉంటుంది. కాబట్టి మేము చిత్రాన్ని OCR ప్రాసెసింగ్ సులభతరం చేసే ఇమేజ్ బౌండ్యింగ్ బాక్స్ నుండి తీసివేయడానికి ప్రాసెస్ చేస్తాం.
ఆప్టికల్ క్యారెక్టర్ రికగ్నిషన్ (OCR):
చిత్రం మొత్తంలో ఫిగర్స్ ఎక్సట్రాక్ట్ చేసిన తరువాత మనం ఇమేజ్ లోని టెక్ట్న్‌ను సంగ్రహించడానికి OCR లేయర్‌ను ఉపయోగిస్తాము. OCR పని చేసే విధానం ఇంప్రూవ్ చేయడానికి స్కేవ్ కరెక్షన్, షాడోను తీసివేయడం, రిజల్యూషన్‌ని మెరుగుపరచడం మరియు బ్లర్‌ని గుర్తించడం వంటి ప్రొసెసింగ్ విధానాలను పూర్తి చేయాలి.
ఇమేజ్ ఎన్కోడింగ్: అత్యాధునిక ResNet, and EfficientNet సాంకేతికతను వినియోగించి ఇమేజ్‌ను ఎన్కోడింగ్ చేస్తాము. దీని వల్ల ఉత్పత్తి అయ్యే వేక్టార్ ఇమేజ్ దాదాపు గతంలోని ఇమేజ్‌లోని సమాచారాన్నే కలిగి ఉంటుంది.
టెక్ట్స్ ఎన్కోడింగ్: ప్రశ్న టెక్ట్స్ , సమాధానాలు మరియు వాటి వివరాలతో కూడిన శిక్షణ పొందిన మోడల్ అకడమిక్ కార్పోరా పై ట్రిప్‌లెస్ లాస్ మరియు మ్యూచువల్ ఇన్ఫర్మేషన్ మ్యాగ్జిమైజేషన్ వంటి పద్దతులను ఉపయోగించడం ద్వారా డెన్స్ వెక్టర్ నేర్చుకుంటాము. మేము BERT మరియు T5 వంటి ముందస్తు శిక్షణ పొందిన భాషా నమూనాలను వినియోగిస్తాము. OCR సంగ్రహించిన టెక్ట్స్ డెన్స్ వెక్టర్‌లుగా మార్చడానికి మేము ఈ ఎన్‌కోడర్ మోడల్‌ని ఉపయోగిస్తాము. ఇవి సెమాంటిక్‌గా సారూప్య ప్రశ్నలను తిరిగి పొందేందుకు ఉపయోగించబడతాయి.
రిట్రీవింగ్ సిమిలర్ క్వశ్చన్స్: మన క్వశ్చన్ బ్యాంక్ లో ఉన్న అన్ని క్వశ్చన్స్‌లతో ఇమేజ్‌లు మరియు టెక్ట్స్ లను కంపేర్ చేసిన తరువాత అదే ప్రశ్నలను టాప్-కె లో తిరిగి పొందుతాము. ఒక ప్రశ్నలోని ఇమేజ్ ఆధారంగా ఇమేజ్ మరియు టెక్ట్స్ సారూప్యత ఉన్నప్పుడు ఈ పద్దతిని ఉపయోగిస్తాము. కోసైన్ డెన్స్ వెక్టర్ సారూప్యత ను అందించడం ఖరీదుతో కూడిన పని కాబట్టి మేము షార్డింగ్, బకెట్ మరియు క్లస్టరింగ్ విధాలను దీనిలో ఉపయోగిస్తాము
నిర్దిష్ట సబ్జెక్ట్ పోస్ట్ ప్రొసెసింగ్: టెక్ట్స్ లో ఉన్న రసాయన సమీరణాలకు, గణిత సంబంధ గుర్తులను నిర్వహించడానికి నిర్దిష్ట సబ్జెక్ట్ పోస్ట్ ప్రొసెసింగ్ పద్దతులను ఉపయోగిస్తాము. రసాయన సమీకరణాలు మరియు రసాయన అంశాలను అర్థవంతంగా తెలుసుకోవడానికి దానికి సమబంధిచిన ప్రశ్నలను తిరిగి పొందటానికి ఇది ఉపయోగపడుతుంది.
References:
[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] Devlin, Jacob, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. “Bert: Pre-training of deep bidirectional transformers for language understanding.” arXiv preprint arXiv:1810.04805 (2018).
[3] Tan, Mingxing, and Quoc Le. “Efficientnet: Rethinking model scaling for convolutional neural networks.” In International Conference on Machine Learning, pp. 6105-6114. PMLR, 20
[4] 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).
[5] 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.
[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] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU
[9] 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.
← AI హోం పేజ్‌కు వెళ్లు
