Wszechstronna platforma edukacyjna oparta na generatywnej sztucznej inteligencji

Summary

Wykorzystując generatywną sztuczną inteligencję (GAI) na potrzeby wsparcia nauczania, platforma oferuje dostosowane do indywidualnych potrzeb użytkowników doświadczenia edukacyjne. Zapewnia również liczne praktyczne podejścia do uczenia się, które nie tylko wzbogacają proces uczenia się, ale także wspierają kompetencje uczenia się przez całe życie w erze cyfrowej, zgodnie z celami zrównoważonego rozwoju w edukacji inżynierskiej.

Abstract

Generatywna Inteligencja Sztuczna (GIS) w ostatnich latach zanotowała znaczny postęp, wykazując transformacyjny potencjał dla edukacji poprzez umożliwienie dynamicznego tworzenia treści i spersonalizowanych ścieżek uczenia się. Jednak wiele istniejących platform edukacyjnych opiera się na statycznej treści i ustalonych ścieżkach, brakujących zintegrowanej architektury potrzebnej do pełnego wykorzystania możliwości GIS w tworzeniu spójnych, adaptacyjnych doświadczeń edukacyjnych. Aby zapełnić tę lukę, niniejsze badanie szczegółowo opisuje projekt, implementację i empiryczną ocenę nowej, kompleksowej platformy edukacyjnej opartej na GIS. Platforma opiera się na trójwarstwowej architekturze przekraczającej tradycyjne ramy: warstwa techniczno-podstawowa integrująca modułowe modele AI (np. Transformer, attention-based CNN-BiLSTM), Centrum Przetwarzania do syntezy danych w czasie rzeczywistym i optymalizacji modeli oraz warstwa Aplikacji i Interakcji zawierająca osiem rdzeniowych modułów funkcjonalnych, w tym spersonalizowane uczenie się, inteligentne pytania i odpowiedzi oraz ocena kompetencji. Ta zintegrowana architektura umożliwia dynamicznie konfigurowalne doświadczenie edukacyjne, które ciągle dostosowuje się do potrzeb i postępu indywidualnych uczniów. Aby ocenić skuteczność platformy, przeprowadziliśmy randomizowany kontrolowany eksperyment (RCT) z udziałem 50 studentów i 20 nauczycieli w ciągu dwóch semestrów, porównując wyniki z grupą kontrolną korzystającą z tradycyjnych metod. Wyniki eksperymentalne wykazują, że zaproponowana platforma znacząco poprawia wyniki edukacyjne, zwiększa wskaźniki zaangażowania studentów (np. czas poświęcony na zadania i interakcji z treścią) oraz osiąga wysoką dokładność w dopasowywaniu spersonalizowanej treści. Wyniki sugerują, że ta platforma oparta na GIS stanowi postęp w technologii edukacyjnej poprzez efektywne spersonalizowanie nauki i wsparcie adaptacyjnego uczenia się na skalę. To badanie wkłada szczegółową, możliwą do powtórzenia architekturę techniczną i dostarcza empirycznych dowodów na praktyczną wartość zintegrowanych systemów GIS w podnoszeniu efektywności edukacji i wspomaganiu kompetencji edukacji na całe życie.

Introduction

W obliczu przyspieszającej się innowacji technologicznej, szczególnie w dziedzinie sztucznej inteligencji (AI), narzędzia takie jak AI znajdują coraz szersze zastosowanie w edukacji inżynierskiej. Jednocześnie osiągnięto konsensus, że cel promowania zrównoważonego rozwoju jest globalnym dążeniem. Dlatego też integracja zrównoważonego rozwoju w edukacji inżynierskiej - jednocześnie poprawiająca poziom techniczny branży i zwiększająca świadomość zrównoważonego rozwoju uczniów - stała się kluczowym punktem obecnej reformy edukacyjnej, napędzającą poszukiwania innowacji edukacyjnych wspomaganych przez AI. Zastosowanie AI w edukacji otwiera możliwości dla nauczania spersonalyzowanego. Szczególnie, GAI oferuje transformacyjny potencjał dla środowisk nauczania i uczenia się. Umożliwia dynamiczne tworzenie różnorodnych form treści i dostosowywanie zasobów edukacyjnych do indywidualnych profili uczniów, co może zwiększyć zaangażowanie i efektywność. Ta technologia umożliwia generowanie różnorodnych formatów treści, ułatwiając tworzenie spersonalizowanych materiałów edukacyjnych. Co więcej, może dynamicznie dostosowywać zasoby edukacyjne do indywidualnych profili uczniów, zwiększając zaangażowanie i efektywność uczenia się¹. Co więcej, platforma jest zaprojektowana tak, aby dostosowywać się do postępu uczniów. Dynamicznie dostosowuje prezentację treści i poleca aktywności edukacyjne zgodne z indywidualnymi celami, mając na celu optymalizację wyników uczenia się.

Jednak integracja AI w platformy edukacyjne wymaga przezwyciężenia znacznych przeszkód technicznych. Po pierwsze, modele głębokiego uczenia muszą być trenowane na ogromnych zbiorach danych, aby zapewnić generowanie wysokiej jakości treści spełniających standardy edukacyjne. Ponadto algorytmy uczenia się przez wzmacnianie muszą być precyzyjnie dostrojone - nie tylko aby dokładnie dostosować ścieżki uczenia się dla poszczególnych użytkowników, ale także aby zachować kompletność treści dydaktycznych. Dodatkowo, zdolności przetwarzania języka naturalnego są niezbędne do tworzenia interaktywnych systemów korepetycyjnych, które mogą symulować ludzką rozmowę i zapewniać opinię w czasie rzeczywistym^2,3,4. W tym kontekście istnieje pilna potrzeba opracowania kompleksowej platformy edukacyjnej, która wykorzystuje pełen potencjał GAI, aby dostarczać spersonalizowane, angażujące i adaptacyjne doświadczenia edukacyjne⁵. Takie platformy mają znaczący potencjał do zmiany krajobrazu edukacji online, czyniąc ją bardziej adaptacyjną i spersonalizowaną, co z kolei będzie zgodne z i wspierać cele współczesnych paradygmatów edukacji dożywotniej. W tej nowej erze treści edukacyjne nie pozostaną niezmienione; zamiast tego będą ewoluować wraz z osobistym rozwojem uczniów i ciągle zmieniającymi się potrzebami.

Istniejące badania wykazały, że nowe technologie, takie jak AI i modele dużej skali, mogą skutecznie poprawić jakość nauczania i uczenia się w edukacji inżynierskiej⁵ i wiele badań zbadano potencjalne zastosowania GAI w spersonalizowanych platformach edukacyjnych, mając na celu zapewnienie spersonalizowanych doświadczeń edukacyjnych dla studentów⁶. Jednocześnie edukacja dla zrównoważonego rozwoju (ESD) stała się coraz ważniejszym priorytetem w globalnej edukacji inżynierskiej, przy czym istniejące badania konsekwentnie podkreślają, że piśmienność zrównoważonego rozwoju i myślenie systemowe są nienegocjalnymi kompetencjami rdzeniowymi współczesnych inżynierów⁷. Aby sprostać tej krytycznej potrzebie szkoleń, architektura GAI zaproponowana w niniejszym badaniu ustanawia praktyczne, realizowalne połączenie między celami edukacyjnymi ESD a budowaniem umiejętności inżynierskich: nasza platforma integruje moduły oceny wpływu na zrównoważony rozwój, przepływy pracy analizy cyklu życia (LCA) i scenariuszowe wezwania do zrównoważonego projektowania w swoją rdzenną strukturę, umożliwiając inżynierom uczniom bezpośrednie przekładanie zasad zrównoważonego rozwoju na decyzje techniczne w całym cyklu projektowania inżynierskiego. Jednym z obszarów koncentracji jest wykorzystanie GAI do automatyzacji tworzenia treści edukacyjnych. Moulaei et al.⁷ zbadał, jak algorytmy AI mogą generować ćwiczenia, testy i nawet całe lekcje na podstawie konkretnych potrzeb i stylów uczenia się poszczególnych uczniów. To podejście pokazuje potencjał zmniejszenia obciążenia edukatorów i zapewnienia bardziej spersonalizowanych doświadczeń edukacyjnych dla uczniów, co zapewniło pewną podstawę techniczną dla późniejszych prac Zhao et al.⁸.

Kolejnym obszarem zainteresowania jest zastosowanie GAI w adaptacyjnych systemach uczenia się⁹. Te systemy wykorzystują algorytmy AI do analizy wydajności uczenia się uczniów i dostosowania materiałów edukacyjnych w czasie rzeczywistym, co pozwala na bardziej precyzyjne spełnianie potrzeb uczniów. To podejście nie tylko poprawia wyniki uczenia się, ale także zapewnia, że uczniowie są wyzywani na odpowiednim poziomie - ani za łatwym, aby brakowało

Protocol

To badanie przeprowadzono zgodnie z wytycznymi etycznymi The Education University of Hong Kong. Przed zebraniem danych uzyskano pisemną zgodę od wszystkich uczestników.

1. Specyfikacja platformy

Oceniany system to niestandardowy prototyp badawczy, wdrożony jako aplikacja internetowa. Środowisko oprogramowania jest zbudowane na Python 3.9 i TensorFlow 2.12. Podstawowe modele AI (CNN-BiLSTM, Transformer) są hostowane na karcie graficznej NVIDIA A100 GPU (40 GB VRAM) w serwerowej linii przetwarzania. Architektura składa się z trzech warstw: Pierwsza, warstwa techniczna integrująca sieć CNN-BiLSTM wzmocnioną o uwagę, moduł Transformera i komponenty uczenia się przez wzmacnianie; druga, centrum przetwarzania do łączenia danych multimodalnych w czasie rzeczywistym i optymalizacji modelu; i trzecia, warstwa aplikacyjna zawierająca osiem modułów funkcjonalnych, w tym naukę spersonalizowaną, Q&A, ocenę kompetencji i analizę zachowań (Rysunek 1).

2. Przygotowanie i kuratorstwo danych treningowych

Zbieramy multimodalne zbiory danych z publicznych repozytoriów edukacyjnych (np. otwarte transkrypcje kursów online, logi interakcji z filmami edukacyjnymi) i źródeł prywatnych. Podczas testów pilotażowych (styczeń-czerwiec 2024) zebrano anonimizowane logi interakcji od 50 studentów i 20 nauczycieli. Przetwarzamy tekst za pomocą spaCy v3.5 (Honnibal et al., 2020) zgodnie z następującymi stałymi procedurami. Po pierwsze, ładujemy wstępnie nauczony ogólny angielski akademicki model en_core_web_md. Po drugie, wykonujemy tokenizację za pomocą domyślnego tokenizera optimizowanego dla akademickiego modelu, który odpowiednio obsługuje terminologię inżynierii technicznej i zrównoważonego rozwoju. Po trzecie, wykonujemy lematyzację za pomocą domyślnego regułowo-statystycznego hybrydowego lematyzera modelu, bez stosowania niestandardowych reguł lematyzacji. Normalizujemy klatki wideo do rozdzielczości 224 x 224 przy użyciu następujących stałych kroków. Po pierwsze, skalujemy wszystkie klatki przy użyciu interpolacji dwuliniowej, która jest standardową metodą przetwarzania klatek wideo edukacyjnych. Po drugie, nie stosujemy dodatkowej normalizacji kolorów ani przycinania poza jednolitym skalowaniem, aby zachować oryginalną treść edukacyjną. Usuwamy informacje mogące prowadzić do identyfikacji osoby, aby zapewnić zgodność z przepisami dotyczącymi prywatności, zgodnie z następującymi stałymi procedurami. Po pierwsze, używamy modułu rozpoznawania nazwanych jednostek spaCy v3.5 w modelu en_core_web_md, aby automatycznie wykryć i redagować wszystkie imiona, adresy e-mail, numery telefonów i identyfikatory instytucjonalne. Po drugie, przeglądamy ręcznie losową próbę 10 procent wszystkich przetworzonych tekstów i klatek wideo, aby zweryfikować całkowite usunięcie PII, bez stwierdzenia żadnych niezgodności w ostatecznym zestawie danych.

3. Trenowanie i walidacja modeli

Trening zastosował trzy paradygmaty: po pierwsze, uczenie się nadzorowane (optymalizator Adam, stawka uczenia się = 1e-4, wielkość partii = 32) w celu przewidywania wydajności studentów na podstawie oznaczonych logów interakcji; po drugie, nienadzorowane skupianie K-średnich (k = 5) w celu zidentyfikowania różnych wzorców zachowania; i po trzecie, uczenie się przez wzmacnianie dla adaptacyjnej rekomendacji treści, przy czym funkcja nagród została zdefiniowana jako zaangażowanie x dokładność. Hiperparametry dostrajaliśmy za pomocą losowego przeszukania na podstawie 100 prób na wyłączonym zestawie walidacyjnym, aby zapewnić solidność. Dane wejściowe dla modeli składały się z przetworzonych, anonimizowanych strumieni multimodalnych: sprecjonizowane sekwencje tekstowe, klatki wideo RGB 224 x 224 i zstrukturyzowane metadane interakcji (np. znaczniki czasowe, typy akcji). Główne wyjścia generowane przez system obejmują numeryczne wyniki prognoz (np. prawdopodobieństwo opanowania), szczegółowe logi interakcji w formacie JSON i raporty oceny kompetencji w formacie PDF.

Rysunek 1: Architekrura kompleksowej platformy edukacyjnej. Na tym diagramie przedstawiono pełną hierarchiczną strukturę niestandardowego, internetowego prototypu badań edukacyjnych GAI, w tym warstwy użytkownika i interakcji, centrum przetwarzania danych multimodalnych oraz warstwy technicznej sterowanej modelami AI, ze jasnym mapowaniem przepływu danych między warstwami. Kliknij tutaj, aby zobaczyć większą wersję tej figury.

4. Przeprowadzenie oceny empirycznej

Zwerbowano 70 uczestników (50 studentów inżynierii i 20 nauczycieli) z The Education University of Hong Kong. Losowo przydzielono ich do grupy eksperymentalnej, która korzystała z naszej niestandardowej, internetowej platformy GAI, lub do grupy kontrolnej, która korzystała z konwencjonalnego systemu zarządzania nauką (LMS). Ocena mierzyła cztery kluczowe wyniki: (1) zysk w nauce

Results

Badanie randomizowane z kontrolą ujawniło znaczące różnice między grupą platformy GAI (eksperymentalną) a grupą tradycyjną LMS (kontrolną). W przypadku zysku z nauki, grupa eksperymentalna uzyskała znacząco wyższy wynik w teście końcowym (M = 85,2, SD = 6,4) niż grupa kontrolna (M = 76,8, SD = 7,1); różnica średnia = 8,4, 95% CI [4,5, 12,3], t(68) = 4,32, p < 0,001, d Cohena = 1,02. W przypadku zaangażowania (czasu na zadanie), grupa eksperymentalna spędziła więcej czasu (M = 42,5 min, SD = 8,2) niż grupa kontrolna (M = 28,7 min, SD = 9,5); różnica średnia = 13,8 min, 95% CI [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. W przypadku zadowolenia użytkowników, grupa eksperymentalna zgłosiła wyższą ocenę (M = 6,2, SD = 0,7) w porównaniu z grupą kontrolną (M = 4,8, SD = 1,1); różnica średnia = 1,4, 95% CI [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Wszystkie wyniki wykazały statystycznie istotne poprawy z dużymi wielkościami efektów, potwierdzając skuteczność zaproponowanej platformy.

Podstawowa warstwa techniczna
Podstawowa warstwa technologiczna zapewnia platformie wsparcie bazowe dla implementacji różnych sieci neuronowych opartych na uczeniu się. Ta warstwa obejmuje kilka praktycznych modułów, takich jak liniowe metody statystyczne, sieci CNN-BiLSTM oparte na uważności, architektury transformatorów i technologie uczenia się przez wzmacnianie. Co więcej, te moduły obsługują instalację po wdrożeniu, co zwiększa elastyczność platformy. Rysunek 2 przedstawia wszystkie liniowe techniki statystyczne zawarte w platformie.

Modele statystyczne liniowe to klasa modeli statystycznych często nazywana modelami liniowymi²². Wiele technik wymienionych w tym artykule, takich jak regresja liniowa, regresja logistyczna, regresja wielokrotna i regresja krokowa, to modele liniowe. Te ustanowione metody statystyczne umożliwiają identyfikację trendów danych i relacji zmiennych. Ta analityczna podstawa wspiera bardziej pouczane, oparte na danych podejmowanie decyzji w aplikacjach platformy. Rysunki 3, Rysunki 4 i Rysunki 5 przedstawiają odpowiednio strukturę metody uczenia się przez wzmacnianie, CNN-BiLSTM i sieci transformatorów. Te ramy są badane w celu wykazania, jak wspierają one solidność i wszechstronność platformy, spełniając różne potrzeby obliczeniowe i aplikacje uczenia się.

W kontekście platformy, uczenie się przez wzmacnianie optymalizuje podejmowanie decyzji w zakresie ścieżek uczenia się i personalizowanych rekomendacji treści poprzez maksymalizację skumulowanej nagrody pochodzącej z interakcji użytkowników (np. zakończenie zadań, oceny sprzężenia zwrotnego) i wyników działania. Podstawowe podejścia rozwiązań są podzielone na trzy kategorie: programowanie dynamiczne, metody Monte Carlo i uczeniu się na różnicach czasowych. Ostatnio uczenie się głębokie przez wzmacnianie odniosło sukces w przewyższeniu wydajności ludzkiej w kilku wymagających obszarach, wykorzystując metody uczenia się głębokiego, takie jak konwolucyjne sieci neuronowe i sieci neuronowe rekurencyjne³¹.

Jak pokazano na Rysunku 4, zintegrowany model CNN-BiLSTM wykorzystuje zalety sieci konwolucyjnych (CNN) i dwukierunkowych sieci pamięci krótkotrwałej z długotrwałą pamięcią (BiLSTM). Wyodrębniając jednocześnie cechy przestrzenne i uchwycając zależności czasowe, ten model jest specjalnie zoptymalizowany dla danych wielowymiarowych. Czyni to ten model odpowiednią opcją do przetwarzania złożonych zestawów danych i znacznie poprawia zdolność platformy do radzenia sobie z wymagającymi zadaniami w takich dziedzinach jak analiza multimediów i przetwarzanie języka naturalnego. Metoda transformatorów przedstawiona na Rysunku 5 przetwarza dane sekwencyjne przy użyciu samouważności w równoległy sposób i znacznie zmniejsza czas treningu. Metoda ta radzi sobie z ogromnymi ilościami danych, osiągając jednocześnie wysoką dokładność. Dlatego jest używana w zadaniach tłumaczenia językowego i przetwarzania tekstu.

Rysunek 2: Linie statystyczne w warstwie techniczna. Ten diagram szczegółowo przedstawia podmodele zawarte w modułu liniowych metod statystycznych platformy, kluczowy element warstwy bazowej technicznej używanej do analizy danych zachowań edukacyjnych i prognozowania wydajności uczniów. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Discussion

To badania miały na celu przetestowanie głównej hipotezy badawczej: że platforma do nauki indywidualnie dostosowywana z wykorzystaniem sztucznej inteligencji może znacząco zmniejszyć obciążenie poznawcze uczniów inżynierii, poprawić efektywność uczenia się i zwiększyć zarówno wyniki nauczania związane z OZD, jak i ogólne doświadczenie edukacyjne, w porównaniu z tradycyjnymi, nieindywidualizowanymi modelami nauczania inżynierii. Nasze wyniki z randomizowanego badania RCT dostarczają pełnego empirycznego potwierdzenia tej hipotezy, z trzema kluczowymi wynikami, które bezpośrednio pasują do naszych wcześniej określonych oczekiwań. Po pierwsze, ciągła personalizacja platformy oparta na analityce uczenia się znacząco zmniejszyła obciążenie poznawcze uczniów, co potwierdza 45% poprawa efektywności uczenia się (czas potrzebny na opanowanie wiedzy) w grupie interwencyjnej w porównaniu z grupą kontrolną, co rozszerza wcześniejsze prace na temat zmniejszania obciążenia poznawczego za pomocą sztucznej inteligencji w środowiskach edukacyjnych. Po drugie, ujednolicona trójwarstwowa architektura platformy umożliwiła skalowalną, pedagogicznie dostosowaną instrukcję indywidualną, co skutkowało znacząco wyższymi zyskami w nauce po teście (p < 0,001, d Cohena = 1,02) oraz większym zaangażowaniem w zadania w porównaniu z tradycyjnymi systemami zarządzania nauką, co jest zgodne z i rozwija wcześniejsze badania na temat adaptacyjnych możliwości uczenia się sztucznej inteligencji ogólnej. Po trzecie, osadzony w platformie model kompetencji OZD i moduły zrównoważonego projektowania inżynieryjnego zapewniają znaczącą poprawę świadomości zrównoważonego rozwoju uczniów oraz kompetencji myślenia systemowego, co napełnia krytyczną lukę w istniejących platformach edukacyjnych opartych na sztucznej inteligencji ogólnej, które w dużej mierze zaniedbywały integrację wyników zrównoważonego rozwoju w projektowanie architektur technicznych.

Obecne badania nad sztuczną inteligencją ogólną w edukacji skupiają się głównie na zwiększaniu funkcjonalności istniejących narzędzi i izolowanych przypadkach zastosowania, bez ujednoliconej, skalowalnej i pedagogicznie solidnej zintegrowanej architektury dla kontekstów OZD w inżynierii. Nasza praca wykracza poza te wcześniejsze badania w trzech kluczowych aspektach. Po pierwsze, ustanawiamy standaryzowany, możliwy do powtórzenia paradygmat architektoniczny składający się z trzech warstw, który integruje przetwarzanie danych multimodalnych, modele sztucznej inteligencji wieloporadkowe i funkcjonalne moduły dostosowane do OZD w spójny system, rozwiązując szeroko rozpowszechnione problemy z fragmentacją projektu modułów i słabą interoperacyjnością między scenariuszami, które zostały zidentyfikowane we wcześniejszych platformach. Po drugie, dostarczamy rygorystycznego dowodu z randomizowanego badania kontrolnego na rzecz przyczynowego wpływu zintegrowanej architektury sztucznej inteligencji ogólnej zarówno na poznawcze, jak i afektywne wyniki uczenia się, rozwiązując brak solidnej empirycznej walidacji platform edukacyjnych opartych na sztucznej inteligencji ogólnej w edukacji inżynieryjnej. Po trzecie, operacjonalizowaliśmy powiązanie między technicznym projektowaniem sztucznej inteligencji ogólnej a wynikami edukacji zrównoważonego rozwoju, dostarczając praktycznego planu dla osadzania szkoleń kompetencji OZD w podstawowej architekturze platform edukacyjnych opartych na sztucznej inteligencji, zamiast traktować je jako dodatkową funkcję, jak to miało miejsce we wcześniejszych pracach.

Przyszła praca skupi się na dużej skali weryfikacji wieloinstytucjonalnej, integracji multimodalnej sztucznej inteligencji dla zanurzającego się nauczania zrównoważonego projektowania inżynieryjnego oraz ocenie długoterminowego wpływu na zachowanie kompetencji OZD. Szczególną uwagę przywiązano do kwestii etycznych, takich jak sprawiedliwość algorytmiczna, prywatność danych i współpraca człowiek-sztuczna inteligencja, aby zapewnić odpowiedzialne wdrażanie. Ostatecznie, ta praca przyczynia się do budowy bardziej efektywnych, sprawiedliwych i zrównoważonych środowisk uczenia się przez całe życie zasilanych przez generatywną sztuczną inteligencję.

Pytanie	Podsumowanie odpowiedzi (N=70)
Zadanie 1. Czy platforma jest łatwa i płynna w użyciu, czy napotkałeś na jakiekolwiek problemy?	Średnia = 4,2 / 5; 83% zgłosiło “brak większych problemów”
Zadanie 2. Czy sądzisz, że platforma oferuje bardziej kompleksową funkcjonalność niż inne platformy?	76% zgodziło się, że jest bardziej kompleksowa niż alternatywy
Zadanie 3. Jak bardzo jesteś zadowolony z opinii generowanych przez sztuczną inteligencję?	Średnia = 4,0 / 5; 71% ocenił ≤4
Zadanie 4. Proszę ocenić częstotliwość używania każdego z 8 modułów funkcjonalnych. (8 skali 7-punktowych)	Moduł 3 (Pytania i odpowiedzi) był używany najczęściej (średnia 5,1/7); Moduł 7 najmniej (2,3/7)

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Używany do hostingu rdzeniowych modeli AI w serwerowej linii przetwarzania.
en_core_web_md (model spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Wstępnie przetrenowany ogólny akademicki model języka angielskiego służący do tokenizacji i lematyzacji. Wersja: v3.5.
Python	Python Software Foundation	https://www.python.org/	Język programowania dla środowiska oprogramowania. Wersja: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Duży, otwartoźródłowy korpus wstępnego treningu pochodzący z RedPajama.
spaCy	Explosion AI	https://spacy.io/	Biblioteka przetwarzania języka naturalnego do przetwarzania tekstu. Wersja: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Otwartoźródłowy framework do uczenia maszynowego. Wersja: 2.12.