Üretken Yapay Zeka Temelli Kapsamlı Bir Eğitim Platformu

Summary

Öğretim desteğinde yaratıcı yapay zeka (YAZ) kullanarak platform, kullanıcıların çeşitli ihtiyaçlarına uyum sağlayabilen özelleştirilmiş öğrenme deneyimleri sunar. Ayrıca, öğrenme sürecini zenginleştiren ve dijital çağda yaşam boyu öğrenme yetkinliklerini de geliştiren bol pratik öğrenme yaklaşımları sunarak mühendislik eğitimindeki sürdürülebilir kalkınma hedeflerine uyum sağlar.

Abstract

Üretken Yapay Zeka (ÜYZ), son yıllarda önemli gelişmeler göstererek, dinamik içerik oluşturma ve kişiselleştirilmiş öğrenme yollarını etkinleştirerek eğitim alanında dönüştürücü potansiyel göstermiştir. Ancak, mevcut birçok eğitim platformu statik içeriğe ve sabit yollara dayanmaktadır ve ÜYZ'nin yeteneklerini tam olarak kullanmak için gereken entegre mimarisine sahip değildir. Bu açığı gidermek için bu çalışma, ÜYZ temelinde oluşturulmuş yeni, kapsamlı bir eğitim platformunun tasarımını, uygulanmasını ve ampirik değerlendirmesini detaylandırmaktadır. Platform, geleneksel çerçeveleri aşan üç katmanlı bir mimariye dayanmaktadır: modüler yapay zeka modellerini (örneğin, Transformer, dikkat temelli CNN-BiLSTM) entegre eden Temel Teknik Katman, gerçek zamanlı veri sentezi ve model optimizasyonu için bir İşleme Merkezi ve kişiselleştirilmiş öğrenme, akıllı soru-cevap ve yetkinlik değerlendirmesi gibi sekiz temel fonksiyonel modül içeren Uygulama ve Etkileşim Katmanı. Bu entegre mimari, bireysel öğrencilerin ihtiyaçlarına ve ilerlemesine sürekli olarak uyum sağlayan, dinamik olarak özelleştirilebilir bir öğrenme deneyimi sağlar. Platformun etkinliğini değerlendirmek için, iki dönem boyunca 50 lisans öğrencisi ve 20 eğitimci ile rastgele kontrollü bir deneme (RCT) gerçekleştirdik ve sonuçları, geleneksel yöntemleri kullanan bir kontrol grubuyla karşılaştırdık. Deneysel sonuçlar, önerilen platformun öğrenme sonuçlarını önemli ölçüde artırdığını, öğrenci katılım ölçütlerini (örneğin, göreve harcanan süre ve içerik etkileşim oranları) artırdığını ve kişiselleştirilmiş içerik eşleştirmede yüksek doğruluk elde ettiğini göstermektedir. Bulgular, bu ÜYZ temelli platformun, öğretimi etkin bir şekilde kişiselleştirerek ve ölçekte uyarlanabilir öğrenmeyi destekleyerek eğitim teknolojisinde bir ilerleme olduğunu göstermektedir. Bu çalışma, detaylı, tekrarlanabilir bir mimari planı katkıda bulunmakta ve entegre ÜYZ sistemlerinin eğitim etkinliğini artırmada ve yaşam boyu öğrenme yetkinliklerini desteklemede pratik değerini destekleyen ampirik kanıtlar sunmaktadır.

Introduction

Hızlanan teknolojik yenilik, özellikle yapay zeka (AI) alanında, mühendislik eğitiminde araçların kullanımının giderek arttığı görülmektedir. Aynı zamanda, insanlar sürdürülebilir kalkınmanın teşvik edilmesinin küresel bir amaç olduğu konusunda fikir birliğine varmışlardır. Bu nedenle, mühendislik eğitimine sürdürülebilir kalkınmanın entegrasyonu - endüstri teknik seviyelerinin iyileştirilmesi ve öğrencilerin sürdürülebilirlik farkındalığını artırmak - mevcut eğitim reformunun ana odak noktası haline gelmiştir ve bu durum, AI destekli eğitimsel yenilikleri araştırmayı tetiklemiştir. Eğitimde AI uygulaması, kişiselleştirilmiş öğrenme için olanakların açılmasını sağlamaktadır. Spesifik olarak, GAI öğretme ve öğrenme ortamlarında dönüştürücü potansiyel sunmaktadır. Bu, çeşitli içerik biçimlerinin dinamik olarak oluşturulmasını ve öğrenme kaynaklarının bireysel öğrenci profillerine uyarlanmasını sağlar ve bu da etkileşimi ve etkinliği artırabilir. Bu teknoloji, çeşitli içerik formatlarının oluşturulmasını sağlayarak, özelleştirilmiş öğrenme materyallerinin yaratılmasını kolaylaştırır. Ayrıca, öğrenme kaynaklarını bireysel öğrenci profillerine dinamik olarak uyarlayarak etkileşimi ve öğrenme etkinliğini artırabilir¹. Ayrıca, platform, öğrencinin ilerlemesine uyum sağlayacak şekilde tasarlanmıştır. İçerik sunumu dinamik olarak ayarlanır ve bireysel hedeflere uygun öğrenme etkinlikleri önerilir, böylece öğrenme sonuçlarını optimize etmeyi amaçlar.

Ancak, AI'nin eğitim platformlarına entegrasyonu önemli teknik engelleri aşmayı gerektirir. İlk olarak, derin öğrenme modellerinin, eğitim standartlarına uygun yüksek kaliteli içerik üretecek şekilde büyük veri setleri üzerinde eğitilmesi gerekmektedir. Ek olarak, pekiştirme öğrenme algoritmalarının ince ayar yapılması gerekir - yalnızca bireysel kullanıcılar için öğrenme yollarını doğru bir şekilde özelleştirmekle kalmayıp, aynı zamanda eğitim içeriğinin bütünlüğünü korumak için de ince ayar yapılması gerekmektedir. Ek olarak, doğal dil işleme yetenekleri, insan benzeri diyalogları simüle edebilecek ve gerçek zamanlı geri bildirim sağlayabilecek interaktif öğretim sistemleri oluşturmak için esastır^2,3,4. Bu bağlamda, GAI'nin tam potansiyelini kullanarak kişiselleştirilmiş, etkileşimli ve uyarlanabilir öğrenme deneyimleri sunacak kapsamlı bir eğitim platformunun acilen ihtiyacı vardır⁵. Bu tür platformlar, çevrimiçi eğitimin daha uyarlanabilir ve kişiselleştirilmiş hale getirilmesi yoluyla eğitim manzarasını yeniden şekillendirme potansiyeline sahiptir ve bu da çağdaş ömür boyu öğrenme paradigmalarının hedeflerine uygun ve destekleyici olacaktır. Bu yeni çağda, eğitim içeriği sabit kalmayacak; bunun yerine, öğrencilerin kişisel gelişimi ve sürekli değişen ihtiyaçları ile birlikte gelişecektir.

Mevcut araştırmalar, yapay zeka ve büyük ölçekli modeller gibi gelişmekte olan teknolojilerin mühendislik eğitiminde öğretim ve öğrenme kalitesini etkili bir şekilde artırabileceğini göstermiştir⁵ ve birçok çalışma, kişiselleştirilmiş eğitim platformlarında GAI'nin potansiyel uygulamalarını araştırmış ve öğrencilere özel olarak hazırlanmış öğrenme deneyimleri sunmayı amaçlamıştır⁶. Aynı zamanda, sürdürülebilir kalkınma için eğitim (ESD) küresel mühendislik eğitiminde giderek merkezi bir öncelik haline gelmiştir ve mevcut araştırmalar tutarlı bir şekilde sürdürülebilirlik okuryazarlığı ve sistem düşüncesinin çağdaş mühendisler için pazarlık edilemez temel yetkinlikler olduğunu vurgulamaktadır⁷. Bu kritik eğitim talebini karşılamak için, bu çalışmada önerilen GAI mimarisinde, ESD öğrenme hedefleri ve mühendislik beceri geliştirme arasında pratik ve uygulanabilir bir bağlantı kurulmuştur: platformumuz, sürdürülebilirlik etki değerlendirme modüllerini, yaşam döngüsü analizi (LCA) iş akışlarını ve senaryo tabanlı sürdürülebilir tasarım istemlerini çekirdek çerçevesine entegre ederek, mühendislik öğrencilerinin tüm mühendislik tasarım döngüsü boyunca sürdürülebilirlik ilkelerini teknik karar verme sürecine doğrudan çevirebilmesini sağlar. Odak noktalardan biri, eğitim içeriği oluşturmanın otomatikleştirilmesi için GAI'nin kullanımıdır. Moulaei ve ark.⁷ AI algoritmalarının, bireysel öğrencilerin özel ihtiyaçlarına ve öğrenme stillerine göre alıştırmalar, sınavlar ve hatta tüm dersleri nasıl oluşturabileceğini araştırmıştır. Bu yaklaşım, eğitimcilerin iş yükünü azaltma ve öğrencilere daha kişiselleştirilmiş bir öğrenme deneyimi sunma potansiyeli göstermiştir, bu da Zhao ve ark.⁸'nın sonraki çalışmaları için teknik bir temel sağlamıştır.

Diğ

Protocol

```html

Bu çalışma, Hong Kong Eğitim Üniversitesi'nin etik yönergelerine uygun olarak gerçekleştirilmiştir. Veri toplamadan önce tüm katılımcılardan bilgilendirilmiş onay alınmıştır.

1. Platform Spesifikasyonu

Değerlendirilen sistem, web tabanlı bir uygulama olarak uygulanan özel bir araştırma prototipidir. Yazılım ortamı Python 3.9 ve TensorFlow 2.12 üzerine kurulmuştur. Temel AI modelleri (CNN-BiLSTM, Transformer) bir sunucu tabanlı işleme boru hattında bir NVIDIA A100 GPU (40 GB VRAM) üzerinde barındırılmaktadır. Mimari üç katmandan oluşmaktadır: İlk olarak, bir dikkat artırılmış CNN-BiLSTM ağı, bir Transformer modülü ve takviye öğrenme bileşenlerini entegre eden temel teknik katman; ikinci olarak, gerçek zamanlı çok modlu veri füzyonu ve model optimizasyonu için bir işleme merkezi; ve üçüncü olarak, kişiselleştirilmiş öğrenme, S&S, yetkinlik değerlendirme ve davranış analizi gibi sekiz işlevsel modül içeren bir uygulama katmanı (Şekil 1).

2. Eğitim Verilerini Hazırlama ve Küratörlüğünü Yapma

Genel eğitim depolarından (örneğin, açık çevrimiçi ders transkriptleri, eğitim video etkileşim kayıtları) ve özel kaynaklardan çok modlu veri setleri toplayın. Pilot test sürecinde (Ocak-Haziran 2024) 50 lisans öğrencisi ve 20 eğitimciden anonimleştirilmiş etkileşim kayıtları toplandı. Metni spaCy v3.5 (Honnibal ve diğ., 2020) kullanarak aşağıdaki sabit prosedürlerle ön işleme yapın. İlk olarak, ön eğitilmiş genel akademik İngilizce modeli en_core_web_md'yi yükleyin. İkinci olarak, modelin varsayılan akademik olarak optimize edilmiş tokenizörünü kullanarak tokenizasyon gerçekleştirin; bu, teknik mühendislik ve sürdürülebilir kalkınma terminolojisini uygun şekilde işler. Üçüncü olarak, modelin varsayılan kural tabanlı ve istatistiksel hibrit lemmatizerini kullanarak lemmatizasyon gerçekleştirin; özel lemmatizasyon kuralları uygulanmaz. Video karelerini 224 x 224 çözünürlüğe normalleştirmek için aşağıdaki sabit adımları kullanın. İlk olarak, tüm kareleri bilineer interpolasyon kullanarak yeniden boyutlandırın; bu, eğitim video karesi ön işleme için standart yöntemdir. İkinci olarak, tek tip yeniden boyutlandırmanın ötesinde ek renk normalizasyonu veya kırpma uygulamayın; bu, orijinal eğitim içeriğini korumak içindir. Gizlilik uyumluluğunu sağlamak için aşağıdaki sabit prosedürlerle kişisel olarak tanımlayıcı bilgileri kaldırın. İlk olarak, en_core_web_md modelindeki spaCy v3.5 adlandırılmış varlık tanıma modülünü kullanarak tüm kişisel isimleri, e-posta adreslerini, telefon numaralarını ve kurumsal tanımlayıcıları otomatik olarak algılayın ve reddedin. İkinci olarak, tüm ön işlenmiş metin ve video karelerinin %10'luk rastgele bir örnek kümesini manuel olarak inceleyerek tüm Kişisel Tanımlayıcı Bilgilerin (KTB) kaldırıldığını doğrulayın; son veri setinde hiçbir tutarsızlık tespit edilmedi.

3. Modelleri Eğitme ve Doğrulama

Eğitim üç paradigmayı kullanmıştır: birincisi, etiketli etkileşim kayıtlarından öğrenci performansını tahmin etmek için denetimli öğrenme (Adam optimize edici, öğrenme hızı = 1e-4, toplu boyut = 32); ikincisi, belirli davranışsal desenleri tanımlamak için denetimsiz K-means kümelendirme (k = 5); ve üçüncüsü, uyarlanabilir içerik önerisi için takviye öğrenimi, ödül fonksiyonu olarak katılım x doğruluk tanımlanmıştır. Hiperparametreler, sağlamlık sağlamak için 100 deneme üzerinden rastgele arama yoluyla bir tutulan doğrulama setinde ayarlandı. Modellerin giriş verileri, ön işlenmiş, anonimleştirilmiş çok modlu akışlardan oluşmuştur: tokenize edilmiş metin dizileri, 224 x 224 RGB video kareleri ve yapılandırılmış etkileşim meta verileri (örneğin, zaman damgaları, eylem türleri). Sistem tarafından oluşturulan birincil çıktılar arasında sayısal tahmin puanları (örneğin, ustalığın olasılığı), JSON formatında detaylı etkileşim kayıtları ve PDF formatında yetkinlik değerlendirme raporları bulunmaktadır.

Şekil 1: Kapsamlı eğitim platformunun mimarisi. Bu diyagram, özel web tabanlı GAI eğitim araştırma prototipinin tam hiyerarşik yapısını gösterir ve kullanıcıya yönelik Uygulama ve Etkileşim Katmanı, çok modlu veri İşleme Merkezi ve AI modeli sürücülü Temel Teknik Katmanı içerir; katmanlar arasında net bir veri akış haritalaması vardır. Lütfen buraya tıklayarak şeklin daha büyük bir versiyonunu görüntüleyin.

4. Deneysel Değerlendirme Yapma

Hong Kong Eğitim Üniversitesi'nden 70 katılımcı (50 lisans mühendislik öğ

Results

Rastgele kontrollü deneme, GAI platform grubu (deneysel) ve geleneksel LMS grubu (kontrol) arasında önemli farklılıklar ortaya koydu. Öğrenme kazancı için deneysel grup, post-testte kontrol grubundan (M = 76.8, SD = 7.1) önemli ölçüde daha yüksek puan aldı (M = 85.2, SD = 6.4); ortalama fark = 8.4, %95 GA [4.5, 12.3], t(68) = 4.32, p < 0.001, Cohen'in d = 1.02. Katılım (göreve harcanan süre) için, deneysel grup kontrol grubuna göre daha fazla zaman harcadı (M = 42.5 dk, SD = 8.2) (M = 28.7 dk, SD = 9.5); ortalama fark = 13.8 dk, %95 GA [8.4, 19.2], t(68) = 5.15, p < 0.001, d = 1.21. Kullanıcı memnuniyeti için, deneysel grup kontrol grubuna göre daha yüksek derecelendirmeler (M = 6.2, SD = 0.7) bildirdi (M = 4.8, SD = 1.1); ortalama fark = 1.4, %95 GA [0.9, 1.9], t(68) = 5.87, p < 0.001, d = 1.38. Tüm sonuçlar, önerilen platformun etkinliğini doğrulayan büyük etki boyutuna sahip istatistiksel olarak anlamlı iyileşmeler gösterdi.

Temel Teknik Katman
Temel teknoloji katmanı, çeşitli öğrenmeye dayalı sinir ağlarının uygulanması için platforma altta yatan desteği sağlar. Bu katman, lineer istatistiksel yöntemler, dikkat temelli CNN-BiLSTM ağları, dönüştürücü mimariler ve takviye öğrenme teknolojilerini içeren birkaç pratik modül içerir. Ayrıca, bu modüller dağıtım sonrası kurulumu destekler, platformun esnekliğini artırır. Şekil 2 platformda bulunan tüm lineer istatistiksel teknikleri göstermektedir.

Lineer istatistiksel modeller, genellikle lineer modeller olarak adlandırılan bir istatistiksel model sınıfıdır<sup>22</sup>. Bu makalede bahsedilen birçok teknik, örneğin doğrusal regresyon, lojistik regresyon, çoklu regresyon ve aşamalı regresyon, lineer modellerdir. Bu yerleşik istatistiksel yöntemler, veri eğilimlerini ve değişkenler arasındaki ilişkileri belirlemeyi sağlar. Bu analitik temel, platformun uygulamalarında daha bilinçli, veriye dayalı karar vermeyi destekler. Şekil 3, Şekil 4 ve Şekil 5 sırasıyla takviye öğrenme yönteminin, CNN-BiLSTM ve dönüştürücü ağın çerçevesini göstermektedir. Bu çerçeveler, platformun sağlamlığını ve çok yönlülüğünü nasıl desteklediğini ve farklı hesaplama ihtiyaçlarını ve öğrenme uygulamalarını karşıladığını göstermek üzere incelenir.

Platform bağlamında, takviye öğrenme, kullanıcı etkileşimlerinden (örneğin, görev tamamlanması, geri bildirim derecelendirmeleri) ve performans sonuçlarından elde edilen toplam ödülleri en üst düzeye çıkararak kişiselleştirilmiş öğrenme yolları ve içerik önerileri için karar vermeyi optimize eder. Temel çözüm yaklaşımları üç kategoriye ayrılmıştır: dinamik programlama, Monte Carlo yöntemleri ve zamansal fark öğrenimi. Son zamanlarda, derin takviye öğrenme, çevrimiçi sinir ağları ve tekrarlayan sinir ağları gibi derin öğrenme yöntemlerini kullanarak çeşitli zorlu alanlarda insan performansını aşmayı başardı<sup>31</sup>.

Şekil 4'te gösterildiği gibi, entegre CNN-BiLSTM modeli, Konvülsiyonel Sinir Ağlarının (CNN'ler) ve Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) ağlarının avantajlarını kullanır. Mekansal özellikleri eş zamanlı olarak çıkararak ve zamansal bağımlılıkları yakalayarak, bu model çok boyutlu veriler için özel olarak optimize edilmiştir. Bu, modeli karmaşık veri setlerini işlemek ve platformun multimedya analizi ve doğal dil işleme gibi alanlardaki zorlu görevleri ele alma kabiliyetini büyük ölçüde artıran uygun bir seçenek haline getirir. Şekil 5'te gösterilen dönüştürücü yöntem, kendi kendine dikkat kullanarak sıralı verileri paralel olarak işler ve eğitim süresini büyük ölçüde azaltır. Bu yöntem, yüksek doğruluk elde ederken muazzam miktarda veriyle çalışır. Bu nedenle, dil çevirisi ve metin işleme görevlerinde kullanılır.

Şekil 2: Teknik katmandaki lineer istatistiksel yöntemler. Bu diyagram, platformun lineer istatistiksel modülünde bulunan alt modelleri, eğitimsel davranış veri analizi ve öğrenci performansı tahmini için kullanılan Temel Teknik Katmanın çekirdek bileşenini detaylandırır. Lütfen buraya tıklayarak bu şeklin daha büyük bir versiyonunu görüntüleyin.

Discussion

Bu çalışma, merkezi araştırma hipotezini test etmeyi amaçlamıştır: Bir GAI-etkinleştirilmiş kişiselleştirilmiş öğrenme platformunun, geleneksel kişiselleştirilmemiş mühendislik öğretim modellerine kıyasla, mühendislik öğrenenlerin bilişsel yükünü önemli ölçüde azaltabileceği, öğrenme verimliliğini artırabileceği ve hem ESD ile ilgili öğrenme çıktılarını hem de genel öğrenme deneyimini geliştirebileceği. Rastgele kontrollü RCT sonuçlarımız, bu hipoteze tam ampirik destek sağlamaktadır ve öngörülen sonuçlarımıza doğrudan uygun üç ana bulguyu içermektedir. Birincisi, platformun sürekli öğrenme analitiğiyle yönlendirilen kişiselleştirilmesi, öğrenciler için gereksiz bilişsel yükü önemli ölçüde azaltmıştır; bu, müdahale grubunda kontrol grubuna göre öğrenme verimliliğinde (bilgi uzmanlığına ulaşma süresinde) %45'lik bir iyileşme ile kanıtlanmıştır ve bu bulgu, eğitim ortamlarında AI destekli bilişsel yük azaltma ile ilgili önceki çalışmaları genişletmektedir. İkincisi, platformun birleşik üç katmanlı mimarisi, ölçeklenebilir, pedagojik olarak uyumlu kişiselleştirilmiş öğretimi mümkün kılmış ve bu, geleneksel öğrenme yönetim sistemlerine göre önemli ölçüde daha yüksek test sonrası öğrenme kazançlarına (p < 0,001, Cohen'in d = 1,02) ve daha büyük göreve ayırılan zaman bağlılığına yol açmıştır; bu, GAI'nin uyarlanabilir öğrenme yetenekleri ile ilgili önceki araştırmayı tamamlamakta ve ilerletmektedir. Üçüncüsü, platformun gömülü ESD yetkinlik çerçevesi ve sürdürülebilir mühendislik tasarım modülleri, öğrencilerin sürdürülebilirlik farkındalığını ve sistem düşünme yetkinliklerini önemli ölçüde artırmıştır; bu, teknik mimari tasarımın sürdürülebilirlik çıktılarının entegrasyonunu büyük ölçüde göz ardı eden mevcut GAI eğitim platformlarında kritik bir açığı gidermiştir.

Eğitimde GAI üzerine mevcut araştırmalar, esas olarak mevcut araçların kademeli işlevsel optimizasyonuna ve izole edilmiş uygulama vaka çalışmalarına odaklanmış olup, mühendislik ESD bağlamları için birleşik, ölçeklenebilir ve pedagojik olarak sağlam entegre bir mimariye sahip değildir. Çalışmamız, önceki çalışmaları üç temel yolda ilerletmektedir. Birincisi, çok modlu veri işleme, çok paradigmalı AI modelleri ve ESD'ye uyumlu işlevsel modülleri birleşik bir sisteme entegre eden standartlaştırılmış, tekrarlanabilir üç katmanlı bir mimaris mimarisi kuruyoruz; bu, önceki platformlarda tanımlanan parçalanmış modül tasarımı ve senaryo arası zayıf uyumluluk sorunlarını çözmektedir. İkincisi, entegre GAI mimarisinin hem bilişsel hem de duyuşsal öğrenme çıktıları üzerindeki nedensel etkisi için titiz RCT kanıtları sağlamakta ve mühendislik eğitiminde GAI eğitim platformlarının sağlam ampirik doğrulamada eksikliğini gidermektedir. Üçüncüsü, GAI teknik tasarımı ve sürdürülebilirlik eğitimi çıktıları arasındaki bağlantıyı işlevselleştiriyoruz; bu, ESD yetkinlik eğitimini AI eğitim platformlarının temel mimarisine entegre etmek için pratik bir plan sunmakta, bunu önceki çalışmalarda olduğu gibi ek bir ek olarak değil, merkezi bir özellik olarak ele almaktayız.

Gelecek çalışmaları, büyük ölçekli çok kurumlu doğrulama, sürdürülebilir mühendislik tasarım öğrenimi için çok modlu AI entegrasyonu ve ESD yetkinlik sürekliliğinin uzun vadeli etki değerlendirmesine odaklanacak. Etik hususlara, örneğin algoritmik adalet, veri gizliliği ve insan-AI işbirliğine özel dikkat gösterilecektir. Sonuç olarak, bu araştırma, yaratıcı AI destekli daha etkili, eşitlikçi ve sürdürülebilir ömür boyu öğrenme ortamlarının inşasına katkıda bulunmaktadır.

Soru	Cevapların Özeti (N=70)
Görev 1. Platformun kullanımı kolay ve sorunsuz mu ve herhangi bir sorunla karşılaştınız mı?	Ortalama = 4.2 / 5; %83'ü "büyük sorun yok" bildirdi
Görev 2. Platformun diğer platformlardan daha kapsamlı işlevsellik sunduğunu düşünüyor musunuz?	%76'sı alternatiflere göre daha kapsamlı olduğu konusunda hemfikir
Görev 3. AI tarafından oluşturulan geri bildirimden genel olarak ne kadar memnunsunuz?	Ortalama = 4.0 / 5; %71'i 4 ve üzeri puan verdi
Görev 4. Lütfen 8 işlevsel modülün her birinin kullanım sıklığını değerlendirin. (8 adet 7 puanlık ölçek)	Modül 3 (SSS) en çok kullanıldı (ort. 5.1/7); Modül 7 en az (2.3/7)
Görev 5. Gelecekte platformun genişletilmiş sürümlerini test etmeye veya daha detaylı geri bildirim sağlamaya katılmak ister misin

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Sunucu tabanlı işleme boru hattı içinde temel yapay zeka modellerini barındırmak için kullanılır.
en_core_web_md (spaCy model)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Tokenizasyon ve lemmatizasyon için kullanılan ön eğitimli genel akademik İngilizce model. Sürüm: v3.5.
Python	Python Software Foundation	https://www.python.org/	Yazılım ortamı için programlama dili. Sürüm: 3.9.
SlimPajama veriseti	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	RedPajama'dan türetilmiş büyük, açık kaynak ön eğitim korpusu.
spaCy	Explosion AI	https://spacy.io/	Metin ön işleme için Doğal Dil İşleme kütüphanesi. Sürüm: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Açık kaynaklı makine öğrenimi çerçevesi. Sürüm: 2.12.