एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
प्रश्न उत्तर प्रणाली
ऐसी कंप्यूटर प्रणाली जो प्राकृतिक भाषा में प्रश्नों को समझने और ज्ञान आधार या दस्तावेजों पर आधारित प्रासंगिक उत्तर प्रदान करने में सक्षम होती है। ये प्रणालियां आमतौर पर NLP, सूचना पुनर्प्राप्ति और स्वचालित तर्क की तकनीकों को जोड़ती हैं।
पुनर्प्राप्ति-आधारित प्रश्न उत्तर
एक प्रश्न-उत्तर दृष्टिकोण जो नई सामग्री उत्पन्न किए बिना सीधे पूर्व-मौजूदा दस्तावेजों के कॉर्पस से उत्तरों की पहचान और निकालने में सक्षम होता है। यह विधि पूछे गए प्रश्न का उत्तर देने के लिए सबसे प्रासंगिक अंशों की खोज और चयन पर केंद्रित है।
जनरेटिव प्रश्न उत्तर
एक प्रश्न-उत्तर प्रणाली जो मौजूदा अंशों को निकालने के बजाय GPT जैसे उन्नत भाषा मॉडल का उपयोग करके प्राकृतिक भाषा में नए उत्तर उत्पन्न करती है। यह दृष्टिकोण संदर्भ की समझ के आधार पर मौलिक और सुसंगत उत्तर तैयार करने की अनुमति देता है।
खुला-डोमेन प्रश्न उत्तर
एक प्रश्न-उत्तर प्रणाली जो डोमेन प्रतिबंधों के बिना किसी भी विषय पर प्रश्नों का उत्तर देने में सक्षम होती है, आमतौर पर विकिपीडिया या वेब जैसे विशाल कॉर्पस पर निर्भर करती है। इन प्रणालियों को बंद डोमेन प्रणालियों की तुलना में बहुत अधिक अस्पष्टता और विविधता का सामना करना पड़ता है।
बंद-डोमेन प्रश्न उत्तर
चिकित्सा, कानून या वित्त जैसे किसी विशिष्ट क्षेत्र में विशेषज्ञता वाली प्रश्न-उत्तर प्रणाली, जिसमें एक सीमित और अच्छी तरह से परिभाषित ज्ञान आधार होता है। यह विशेषज्ञता प्रदान किए गए उत्तरों में अधिक सटीकता और गहराई प्राप्त करने की अनुमति देती है।
पठन समझ
एक प्रणाली की क्षमता जो किसी दिए गए पाठ को समझने और व्याख्या करने में सक्षम होती है ताकि उस पाठ के बारे में विशिष्ट प्रश्नों का उत्तर दिया जा सके, जिसका मूल्यांकन SQuAD जैसे डेटासेट पर किया जाता है। NLP में यह बुनियादी कौशल दस्तावेजों पर अर्थगत समझ और तर्क का परीक्षण करता है।
ज्ञान ग्राफ प्रश्न उत्तर
एक प्रश्न-उत्तर दृष्टिकोण जो तथ्यात्मक उत्तर खोजने के लिए संरचित ज्ञान ग्राफ का प्रश्न करता है, जिसके लिए अक्सर प्राकृतिक प्रश्नों को औपचारिक प्रश्नों में रूपांतरित करना आवश्यक होता है। यह विधि इकाइयों और उनके संबंधों के बारे में सटीक तथ्यात्मक प्रश्नों के लिए उत्कृष्ट है।
न्यूरल प्रश्न उत्तर
प्रश्न-उत्तर प्रणालियों को लागू करने के लिए गहरे तंत्रिका नेटवर्क का उपयोग, जो भाषा की जटिल प्रस्तुतियों को स्वचालित रूप से सीखने की अनुमति देता है। ये दृष्टिकोण नियमों या मैनुअल फीचर पर आधारित तरीकों से काफी आगे निकल गए हैं।
क्यूए के लिए ट्रांसफॉर्मर मॉडल
अटेंशन मैकेनिज्म पर आधारित तंत्रिका संजाल आर्किटेक्चर जो वर्तमान में BERT और RoBERTa जैसे आधुनिक प्रश्न-उत्तर प्रणालियों पर हावी है। ट्रांसफॉर्मर टेक्स्ट में लंबी दूरी की निर्भरताओं को प्रभावी ढंग से कैप्चर करने की अनुमति देते हैं।
क्यूए के लिए बीईआरटी
प्रश्न-उत्तर कार्यों के लिए विशेष रूप से फाइन-ट्यून किए गए BERT (बाइडिरेक्शनल एनकोडर रिप्रेजेंटेशंस फ्रॉम ट्रांसफॉर्मर्स) मॉडल का अनुप्रयोग, जो क्षेत्र में एक बेंचमार्क बन गया है। BERT भाषा की द्विदिशीय संदर्भगत समझ में उत्कृष्ट है।
पैसेज रिट्रीवल
क्यूए सिस्टम में एक महत्वपूर्ण कदम जिसमें एक प्रश्न का उत्तर देने के लिए एक बड़े कॉर्पस से सबसे प्रासंगिक टेक्स्ट पैसेज की पहचान और चयन किया जाता है। इस कदम में अक्सर सिमैंटिक सर्च और वेक्टर सिमिलैरिटी तकनीकों का उपयोग किया जाता है।
उत्तर निष्कर्षण
प्रक्रिया जो एक प्रासंगिक टेक्स्ट पैसेज के भीतर सटीक उत्तर की पहचान और अलग करती है, अक्सर इसे अनुक्रम वर्गीकरण या नामित इकाई पहचान कार्य के रूप में व्यवहार किया जाता है। यह तकनीक एक्सट्रैक्टिव क्यूए सिस्टम में केंद्रीय है।
फैक्टॉइड क्यूए
प्रश्न-उत्तर का एक प्रकार जो नाम, तिथियां या अंक जैसे छोटे और सटीक उत्तर वाले तथ्यात्मक प्रश्नों पर केंद्रित है। इन सिस्टमों का मूल्यांकन दस्तावेजों में सटीक तथ्यात्मक जानकारी खोजने की क्षमता पर किया जाता है।
नॉन-फैक्टॉइड क्यूए
प्रश्न-उत्तरों की श्रेणी जिसमें अलग-अलग तथ्यों के बजाय वर्णनात्मक उत्तर, स्पष्टीकरण या सारांश की आवश्यकता होती है, जैसे 'क्यों' या 'कैसे' वाले प्रश्न। इन सिस्टमों को गहरी समझ और तर्क करने की क्षमता की आवश्यकता होती है।
वार्तालापात्मक क्यूए
प्रश्न-उत्तर प्रणाली जो वार्तालाप संदर्भ और पिछले प्रश्नों को ध्यान में रखकर कई दौरों में एक सुसंगत संवाद बनाए रखने में सक्षम है। इस दृष्टिकोण के लिए इतिहास प्रबंधन और अनाफोरिक संदर्भों की आवश्यकता होती है।
मल्टी-हॉप क्यूए
उन्नत प्रश्न-उत्तर प्रणाली जिसे एक पूर्ण उत्तर तैयार करने के लिए कई दस्तावेजों या पैसेज से जानकारी को जोड़ने की आवश्यकता होती है। यह दृष्टिकोण जटिल प्रश्नों का उत्तर देने के लिए बहु-चरणीय तर्क का अनुकरण करता है।
जीरो-शॉट क्यूए
किसी सिस्टम की वह क्षमता जो उन डोमेन या विषयों पर प्रश्नों का उत्तर देने की अनुमति देती है जिनके लिए उसे विशेष रूप से प्रशिक्षित नहीं किया गया है, और यह अपने सामान्य ज्ञान पर निर्भर करता है। यह कौशल भाषा की वास्तविक समझ और सामान्यीकरण को प्रदर्शित करता है।
क्यूए के लिए फाइन-ट्यूनिंग
एक पूर्व-प्रशिक्षित भाषा मॉडल को विशेष रूप से प्रश्न-उत्तर कार्यों के लिए SQuAD या Natural Questions जैसे एनोटेड डेटासेट का उपयोग करके अनुकूलित करने की प्रक्रिया। यह तकनीक विशिष्ट क्यूए कार्यों पर इष्टतम प्रदर्शन प्राप्त करने की अनुमति देती है।
क्यूए में ध्यान तंत्र
आधुनिक क्यूए मॉडलों का एक महत्वपूर्ण घटक जो सिस्टम को दिए गए प्रश्न का उत्तर देने के लिए संदर्भ के सबसे प्रासंगिक हिस्सों पर ध्यान केंद्रित करने की अनुमति देता है। ध्यान तंत्र प्रश्न के संबंध में संदर्भ के प्रत्येक शब्द के महत्व को भारित करता है।
प्रश्न वर्गीकरण
क्यूए सिस्टम में एक प्रारंभिक चरण जो उत्तर खोज रणनीति को अनुकूलित करने के लिए प्रश्नों को उनके प्रकार के अनुसार (कौन, क्या, कब, कहां, क्यों, कैसे) वर्गीकृत करता है। यह वर्गीकरण सिस्टम को सही स्रोतों और निष्कर्षण विधियों की ओर निर्देशित करने में मदद करता है।