هوش داده های تولیدی

AI

توسعه برنامه های کاربردی هوش مصنوعی برای بهبود تجارب تدریس و یادگیری | خدمات وب آمازون

بازنشر افلاطون
بازنشر افلاطون

تاریخ:

نمایش ها: 4

اخیراً، معلمان و مؤسسات به دنبال راه‌های مختلفی برای گنجاندن هوش مصنوعی (AI) در برنامه‌های درسی خود بوده‌اند، چه آموزش در مورد یادگیری ماشینی (ML) یا ترکیب آن در ایجاد طرح‌های درسی، درجه‌بندی یا سایر برنامه‌های آموزشی. مدل‌های مولد هوش مصنوعی، به‌ویژه مدل‌های زبان بزرگ (LLM)، تأثیر هوش مصنوعی بر آموزش را به‌طور چشمگیری افزایش داده‌اند. مدل‌های مولد هوش مصنوعی و برنامه‌نویسی زبان طبیعی (NLP) پتانسیل بالایی برای افزایش آموزش و یادگیری با تولید محتوای یادگیری شخصی‌سازی شده و ارائه تجربیات یادگیری جذاب برای دانش‌آموزان دارند.

در این پست، ما یک راه حل مولد هوش مصنوعی برای معلمان ایجاد می کنیم تا مطالب درسی ایجاد کنند و دانش آموزان کلمات و جملات انگلیسی را یاد بگیرند. وقتی دانش‌آموزان پاسخ‌ها را ارائه می‌دهند، راه‌حل ارزیابی‌های هم‌زمان را ارائه می‌کند و بازخورد و راهنمایی شخصی برای دانش‌آموزان برای بهبود پاسخ‌هایشان ارائه می‌دهد.

به طور خاص، معلمان می توانند از راه حل برای انجام موارد زیر استفاده کنند:

  • با ایجاد پرسش و پاسخ از یک درخواست، یک تکلیف برای دانش آموزان ایجاد کنید
  • یک تصویر از اعلان ایجاد کنید تا تکلیف را نشان دهد
  • تکلیف جدید را در پایگاه داده ذخیره کنید
  • تکالیف موجود را از پایگاه داده مرور کنید

دانش آموزان می توانند از راه حل برای انجام موارد زیر استفاده کنند:

  • یک تکلیف را از پایگاه داده تکالیف انتخاب و بررسی کنید
  • به سوالات تکلیف انتخابی پاسخ دهید
  • نمرات درجه بندی پاسخ ها را در زمان واقعی بررسی کنید
  • بهبودهای دستوری پیشنهادی برای پاسخ های آنها را مرور کنید
  • بهبود جملات پیشنهادی را برای پاسخ های آنها مرور کنید
  • پاسخ های توصیه شده را بخوانید

ما شما را از طریق مراحل ایجاد راه حل با استفاده از آن راهنمایی می کنیم بستر آمازون, سرویس کانتینر الاستیک آمازون (Amazon ECS) آمازون CloudFront, متعادل کننده بار الاستیک (ELB), آمازون DynamoDB, سرویس ذخیره سازی ساده آمازون (Amazon S3) و کیت توسعه ابری AWS (AWS CDK).

بررسی اجمالی راه حل

نمودار زیر منابع و خدمات مورد استفاده در راه حل را نشان می دهد.

راه حل به عنوان یک سرویس مقیاس پذیر اجرا می شود. معلمان و دانش آموزان از مرورگرهای خود برای دسترسی به برنامه استفاده می کنند. محتوا از طریق یک توزیع Amazon CloudFront با یک Application Load Balancer به عنوان مبدأ ارائه می شود. این تصاویر تولید شده را در یک سطل S3 ذخیره می کند و تکالیف معلم و پاسخ ها و نمرات دانش آموزان را در جداول DynamoDB ذخیره می کند.

این راه حل از Amazon Bedrock برای تولید سوالات، پاسخ ها، تصاویر تکالیف و درجه بندی پاسخ های دانش آموزان استفاده می کند. Amazon Bedrock یک سرویس کاملاً مدیریت شده است که مدل‌های پایه را از استارت‌آپ‌های پیشرو هوش مصنوعی و آمازون از طریق رابط‌های API با کاربری آسان در دسترس قرار می‌دهد. راه حل نیز استفاده می کند API تصحیح خطای دستوری و API را بازنویسی کنید از AI21 برای توصیه اصلاح کلمات و جملات.

جزئیات پیاده سازی را می توانید در بخش های زیر بیابید. کد منبع در دسترس است مخزن GitHub.

پیش نیازها

شما باید تا حدودی از هوش مصنوعی، ML و سرویس های مورد استفاده در این راه حل، از جمله Amazon Bedrock، Amazon ECS، Amazon CloudFront، Elastic Load Balancing، Amazon DynamoDB و Amazon S3 دانش داشته باشید.

ما از AWS CDK برای ساخت و استقرار راه حل استفاده می کنیم. می توانید دستورالعمل های راه اندازی را در قسمت پیدا کنید فایل readme.

تکالیف ایجاد کنید

معلمان می توانند با استفاده از صفحه رابط کاربری گرافیکی زیر یک تکلیف از یک متن ورودی ایجاد کنند. یک تکلیف شامل یک متن ورودی، پرسش‌ها و پاسخ‌های تولید شده از متن، و تصویری است که از متن ورودی برای نشان دادن تکلیف تولید می‌شود.

برای مثال ما، معلمی مقدار را وارد می کند ایمنی کودکان و دوچرخه دستورالعمل های وزارت حمل و نقل ایالات متحده برای متن ورودی از فایل استفاده می کنیم bike.safe.riding.tips.txt.

در زیر خروجی تصویر تولید شده است.

سوالات و پاسخ های ایجاد شده به شرح زیر است:

"question": "What should you always wear when riding a bicycle?",
"answer": "You should always wear a properly fitted bicycle helmet when riding a bicycle. A helmet protects your brain and can save your life in a crash."

"question": "How can you make sure drivers can see you when you are bicycling?",
"answer": "To make sure drivers can see you, wear bright neon or fluorescent colors. Also use reflective tape, markings or flashing lights so you are visible."

"question": "What should you do before riding your bicycle?",
"answer": "Before riding, you should inspect your bicycle to make sure all parts are secure and working properly. Check that tires are inflated, brakes work properly, and reflectors are in place."

"question": "Why is it more dangerous to ride a bicycle at night?",
"answer": "It is more dangerous to ride at night because it is harder for other people in vehicles to see you in the dark."

"question": "How can you avoid hazards while bicycling?",
"answer": "Look ahead for hazards like potholes, broken glass, and dogs. Point out and yell about hazards to bicyclists behind you. Avoid riding at night when it is harder to see hazards."

معلم از دانش آموزان انتظار دارد که با خواندن متن ورودی و سپس پاسخ به سؤالات ایجاد شده، تکلیف را تکمیل کنند.

این پورتال از Amazon Bedrock برای ایجاد پرسش ها، پاسخ ها و تصاویر استفاده می کند. Amazon Bedrock با افشای مدل‌های پایه از طریق رابط‌های API، توسعه راه‌حل‌های هوش مصنوعی مولد را سرعت می‌بخشد. کد منبع را می توانید در فایل پیدا کنید 1_Create_Assignments.py.

پورتال دو مدل پایه را فراخوانی می کند:

  • Stable Diffusion XL برای تولید تصاویر با استفاده از تابع query_generate_image_endpoint
  • Anthropic Claude نسخه 2 برای ایجاد پرسش و پاسخ با استفاده از تابع query_generate_questions_answers_endpoint

پورتال تصاویر تولید شده را با استفاده از تابع load_file_to_s3 در یک سطل S3 ذخیره می کند. این یک تکلیف بر اساس متن ورودی، شناسه معلم، پرسش‌ها و پاسخ‌های ایجاد شده و پیوند سطل S3 برای تصویر بارگذاری شده ایجاد می‌کند. با استفاده از تابع، تخصیص را در جدول DynamoDB ذخیره می کند insert_record_to_dynamodb.

می توانید کد AWS CDK که جدول DynamoDB را ایجاد می کند را در فایل پیدا کنید cdk_stack.py.

نمایش تکالیف

معلمان می توانند تکالیف و مصنوعات تولید شده را با استفاده از صفحه رابط کاربری گرافیکی زیر مرور کنند.

پورتال از این تابع استفاده می کند get_records_from_dynamodb برای بازیابی تخصیص ها از تکالیف جدول DynamoDB. از تابع استفاده می کند download_image برای دانلود یک تصویر از سطل S3. کد منبع را می توانید در فایل پیدا کنید 2_Show_Assignments.py.

پاسخ به سوالات

دانش آموزی تکلیف معلم را انتخاب می کند و می خواند و سپس به سؤالات تکلیف پاسخ می دهد.

پورتال یک تجربه یادگیری جذاب را ارائه می دهد. به عنوان مثال، هنگامی که دانش آموز پاسخ "من باید از مغز در هنگام تصادف محافظت کنم" را ارائه می دهد، پورتال با مقایسه پاسخ با پاسخ صحیح، پاسخ را در زمان واقعی نمره می دهد. این پورتال همچنین تمام پاسخ های دانش آموزان به یک سوال را رتبه بندی می کند و سه امتیاز برتر را نشان می دهد. کد منبع را می توانید در فایل پیدا کنید 3_Complete_Assignments.py.

پورتال پاسخ های دانش آموز را در جدول DynamoDB به نام پاسخ ها ذخیره می کند. می توانید کد AWS CDK که جدول DynamoDB را ایجاد می کند را در فایل پیدا کنید cdk_stack.py.

برای نمره دادن به پاسخ یک دانش آموز، پورتال از این شماره فراخوانی می کند مدل آمازون Titan Embeddings تا پاسخ دانش آموز و پاسخ صحیح را به نمایش های عددی ترجمه کند و سپس شباهت آنها را به عنوان نمره محاسبه کند. می توانید راه حل را در فایل پیدا کنید 3_Complete_Assignments.py.

پورتال اصلاحات دستوری و بهبود جملات را برای پاسخ دانش آموز ایجاد می کند. در نهایت پورتال پاسخ صحیح سوال را نشان می دهد.

این پورتال از API تصحیح خطای دستوری و API نقل قول از AI21 برای ایجاد بهبودهای دستوری و جمله توصیه شده استفاده می کند. مدل ترجمه AI21 به عنوان یک مدل پایه در SageMaker موجود است. می‌توانید مدل بازنویسی AI21 را به‌عنوان یک نقطه استنتاج در SageMaker استقرار دهید و نقطه استنتاج را برای ایجاد بهبود جمله فراخوانی کنید.

توابع generate_suggestions_sentence_improvements و generate_suggestions_word_improvements در پرونده 3_Complete_Assignments.py یک روش جایگزین برای استفاده از نقاط پایانی AI21 REST API را نشان دهید. برای فراخوانی APIها باید یک حساب AI21 ایجاد کنید و کلید API مرتبط با حساب خود را پیدا کنید. پس از دوره آزمایشی باید هزینه فراخوان ها را پرداخت کنید.

نتیجه

این پست به شما نشان داد که چگونه از یک راه حل به کمک هوش مصنوعی برای بهبود تجربه تدریس و یادگیری با استفاده از چندین مدل مولد هوش مصنوعی و NLP استفاده کنید. شما می توانید از همین رویکرد برای توسعه سایر نمونه های اولیه و برنامه های کاربردی هوش مصنوعی استفاده کنید.

اگر به اصول هوش مصنوعی مولد و نحوه کار با مدل‌های پایه، از جمله تکنیک‌های پیشنهادی پیشرفته علاقه‌مند هستید، دوره عملی را بررسی کنید. هوش مصنوعی مولد با LLM. این یک دوره 3 هفته ای درخواستی برای دانشمندان و مهندسان داده است که می خواهند یاد بگیرند که چگونه برنامه های هوش مصنوعی مولد با LLM بسازند. این یک پایه خوب برای شروع ساختن با Amazon Bedrock است. بازدید کنید صفحه ویژگی های Amazon Bedrock و برای کسب اطلاعات بیشتر در مورد Amazon Bedrock ثبت نام کنید.

درباره نویسنده

جف لی یک معمار ارشد برنامه های ابری با تیم خدمات حرفه ای در AWS است. او مشتاق غواصی عمیق با مشتریان برای ایجاد راه حل ها و مدرن کردن برنامه هایی است که از نوآوری های تجاری پشتیبانی می کند. در اوقات فراغت از بازی تنیس، گوش دادن به موسیقی و مطالعه لذت می برد.

ایزاک پریویترا دانشمند ارشد داده در مرکز نوآوری هوش مصنوعی، جایی که او راه حل های سفارشی مبتنی بر هوش مصنوعی را برای رسیدگی به مشکلات تجاری مشتریان توسعه می دهد. او عمدتاً بر روی ساخت سیستم‌های هوش مصنوعی مسئول با استفاده از بازیابی نسل افزوده (RAG) و استدلال زنجیره‌ای فکر می‌کند. او در اوقات فراغت خود از گلف، فوتبال و پیاده روی با سگش بری لذت می برد.

هاریش واسوانی یک معمار اصلی برنامه های ابری در خدمات وب آمازون است. او در معماری و ساخت اپلیکیشن‌های بومی ابری تخصص دارد و مشتریان را قادر می‌سازد تا بهترین شیوه‌ها را در سفر تحول ابری خود داشته باشند. در خارج از محل کار، هاریش و همسرش سیمین، تهیه کنندگان مستقل فیلم کوتاه برنده جایزه هستند و دوست دارند وقت خود را با پسر 5 ساله خود، کاران بگذرانند.

نقطه_img

جدیدترین اطلاعات

نقطه_img

حق چاپ @ 2024 Plato Technologies Inc.