ప్రశ్నలకు ఆటోమేటిక్‌గా సమాధానామిచ్చే సాంకేతికత

ప్రశ్నలకు ఆటోమేటిక్‌గా  సమాధానామిచ్చే సాంకేతికత

ఇక ఎడ్‌టెక్ వేదికలో విద్యార్థులు ఎక్కువగా సిలబస్ పరంగా  కాన్సెప్ట్స్‌లవారీగా ప్రశ్నలను అభ్యసిస్తారు. ప్రశ్నలకు తగిన వివరాలు మరియు దశల వారీగా పరిష్కారాలు దానికి సంబంధించిన గైడ్స్ విద్యార్థులకు . ఒక నిర్ధిష్టమైన క్వశ్చన్  అర్థం చేసుకొని పరిష్కరించడానికి ఉపయోగపడేలా చేస్తుంది. Embibe ఈ విధానాన్ని ప్రోత్సహిస్తుంది. మానవ ప్రమేయంతో ప్రశ్నలను పరిష్కరించే ఒక మాన్యూవల్ ప్రక్రియ

Embibe యొక్క ప్రశ్న డేటాసెట్ పెరుగుతున్న కొద్దీ, మాన్యువల్‌గా ఆధారపడి  పరిష్కారాలను  ఉపయోగించడం చాలా ఖరీదైనది. ఇంటర్మీడియట్ లెవల్ మ్యాథమెటిక్స్ వంటి నిర్దిష్ట డొమైన్‌లలో టెక్ట్స్   ప్రశ్నలను పరిష్కరించడానికి నెసెంట్ ఫీల్డ్  అల్గారిథమ్‌లను రూపొందించడంలో సాల్వ్ర్ సాంకేతికత ఉంది.

అనేక ప్రశ్నలకు పరిష్కారాలను ఆటోమేటిక్ గా దశల వారీగా రూపొందించడానికి Embibe పరిశోధన చేస్తుంది.

ప్రాబ్లం స్టేట్మెంట్

మాథ్స్‌కు సంబంధించిన టెక్ట్స్ క్వశ్చన్స్ ఇచ్చినప్పడు సాల్వ్ర్ కోడ్స్ ను ఉపయోగించి దశలవారీగా పరిష్కాలను పొందవచ్చు. 

విద్యార్థి నుండి  ఏదైనా ఫ్రీ ఫామ్  ప్రశ్న మరియు దానికి నిర్ధిష్టమైన ఫార్మాట్ లేక పోవచ్చు దానిని పరిష్కరించడానికి పరిష్కార దశలను అందిస్తున్నాం.

విధానం

మొత్తం విధానం చూడటానికి ఇలా ఉంటుంది

ఉదాహరణకు

6 వ తరగతి ప్రశ్నను ఇలా చూడవచ్చు

“పదాలలో “ – “రెండు లక్షల యాభై వేల తొమ్మిది వందల ముప్పై-ఆరు” 

మొదటి స్టెప్ లో “convert_text_to_number” ఈ ప్రశ్నను పరిష్కరించడానికి సాల్వ్ర్ కోడ్ ను ప్రీడిక్ట్ చేయడానికి మేము ప్రయత్నిస్తాము

నెక్ట్స్ స్టేజ్ లో అంచనా వేయబడిన సాల్వ్ర్ మూల్యంకనంలో ఆర్గుమెంట్స్ పొందుతాము. ఈ సందర్భంలో ఇన్పుట్ ఆర్గుమెంట్ సాల్వ్ర్ “రెండు లక్షల యాభై వేల తొమ్మిది వందల ముప్పై-ఆరు”

మనకు పూర్తిగా పరిష్కారం లభిస్తుంది 

convert_text_to_number(రెండు లక్షల యాభై వేల తొమ్మది వందల ముప్పై-ఆరు) 

సమాధానం మరియు  దశల వారీగా పరిష్కారం పొందటానికి  ఆర్గుమెంట్ తో  సాల్వ్ర్ ను మూల్యాంకనం చేస్తాము. ఇది మనకు ఇలా కనిపిస్తుంది.

మరొక ఉదాహరణతో విశదీకరిస్తాం

సాల్వ్ర్ కోడ్  “subtract_fractions_mixed_type(7 1/2, 5 3/4)” ఉపయోగించి ఇది పరిష్కరించవచ్చు

మనకు పరిష్కారం ఇలా వస్తుంది. 

పరిష్కారం

పరిష్కారాన్ని రెండు దశలుగా మనం విభజిస్తాము

• సాల్వ్ర్ కోడ్ ప్రీడిక్షన్
• ఆర్గుమెంట్ ఎక్సట్రాక్షన్

సాల్వ్ర్ కోడ్ ప్రీడిక్షన్ లో సాల్వ్ర్ కోడ్స్ లను ఉపయోగించిన  గణిత సంబంధ  సమస్యలను పరిష్కరిస్తాము. పై ఉదాహరణ లో   “subtract_fractions_mixed_type” అనేది కరెక్ట్ సాల్వ్ర్. దీనిని ఉపయోగించి ఇచ్చిన సమస్యను పరిష్కరించవచ్చు. మనం T5[1] లాంటివైన డీప్ లెర్నింగ్ జనరేటివ్ seq2seq మోడల్స్ ను ఉపయోగించవచ్చు. ఇది సమస్యలను పరిష్కరించే సాల్వ్ర్ కోడ్ ను రూపొందిస్తుంది

మనం సెకండ్ స్టెప్ కు మూవ్ కావడానికి ముందు ప్రతి సాల్వ్ర్ కోడ్ ఆర్గుమెంట్స్ తో కూడిన 1 సాంపుల్ సాల్వ్ర్ ని కలిగి ఉండాలి.  ఉదాహరణకు, “subtract_fractions_mixed_type” కోసం సాంపుల్ సాల్వ్ర్  “subtract_fractions_mixed_type(1 2/3, 4 5/6)” లాగా ఉంటుంది. ఇది ఎలా ఉపయోగపడుతుంది అనేది మేము త్వరలో తెలుపుతాము. 

సమస్యను పరిష్కరించగల ప్రిడిక్టెడ్ సాల్వర్ కోడ్‌ను పొందిన తర్వాత, మనం సమస్యను పరిష్కరించవచ్చు. మనం ప్రశ్నలను ఆర్గుమెంట్స్ ద్వారా పొందవచ్చు.  దాని కోసం కూడా, మేము T5[1] వంటి seq2seq జనరేటివ్ నమూనాలను ఉపయోగిస్తాము. భాషా నమూనాలు  నాలెడ్జ్ గ్రాఫ్‌ లను  సంగ్రహించడానికి, అర్థవంతమైన అంశాలను ప్రభావితం చేయడానికి నాలెడ్జ్ ఇన్ఫ్యూషన్ ఆర్కిటెక్చర్‌ లో మరింత విస్తరింప చేశారు.   [3][4]  మేము ప్రాబ్లెమ్ స్టేట్‌మెంట్ మరియు ప్రిడిక్టెడ్ సోల్వర్ కోసం సాంపుల్ సాల్వర్‌ని ఇవ్వగలము. మరియు మేము T5[1] మోడల్ నుండి ప్రశ్నలను  ఆర్గుమెంట్ తో  సాల్వర్ కోడ్‌ను పొందగలము. కాబట్టి మనం చివరి లో ఆర్గ్యుమెంట్‌లతో సాల్వర్ కోడ్‌ని కలిగి ఉంటాము అంటే పై ఉదాహరణ నుండి “subtract_fractions_mixed_type(7 1/2, 5 3/4)”. కలిగి ఉంటాము. 

ప్రశ్నల నుండి ఆర్గుమెంట్స్ పొందడానికి మనం ఇతర సులువైన పద్దతులను కూడా ఉపయోగించవచ్చు. ప్రతి ఒక్క సాల్వ్ర్ కు సంబంధించి డేటా రకాలు మరియు ఆర్గుమెంట్స్ నమూనాలు మనం  కలిగి ఉంటే,  ప్రశ్నల నుండి సిమిలర్ నెంబర్స్ పొందవచ్చు.

ఈ విధంగా మనం సాల్వర్ కోడ్‌ను అంచనా వేస్తాము మరియు ప్రశ్న నుండి సాల్వర్ ఆర్గ్యుమెంట్‌లను పొందుతాము. మనం రెండింటిని పొందిన తరువాత సరైన సమాధానం మరియు దశల వారీగా పరిష్కారం పొందడానికి మనం సాల్వ్ర్ కోడ్ ను మూల్యాంకనం చేస్తాం.

రెఫెరెన్స్

[1] Colin Raffel, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, Peter J. Liu. “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer”
[2] Amini, Aida, Saadia Gabriel, Peter Lin, Rik Koncel-Kedziorski, Yejin Choi, and Hannaneh Hajishirzi. “MathQA: Towards interpretable math word problem solving with operation-based formalisms.”arXiv preprint arXiv:1905.13319 (2019).