[ad_1]
Recientemente, los profesores y las instituciones han estado buscando diversas formas de integrar la inteligencia artificial (IA) en sus planes de estudio, ya sea enseñando sobre aprendizaje automático (ML) o creando planes de lecciones, calificaciones u otras aplicaciones educativas. Los modelos de IA generativa, en particular los modelos de lenguaje grande (LLM), han acelerado drásticamente el impacto de la IA en la educación. Los modelos de IA generativa y programación de lenguaje natural (PLN) tienen un gran potencial para mejorar la enseñanza y el aprendizaje al generar contenido de aprendizaje personalizado y brindar a los estudiantes experiencias de aprendizaje atractivas.
En esta publicación, creamos una solución de IA generativa para que los profesores creen materiales del curso y para que los estudiantes aprendan palabras y oraciones en inglés. A medida que los estudiantes brindan respuestas, la solución proporciona evaluaciones en tiempo real y les brinda comentarios y orientación personalizados para mejorar sus respuestas.
Específicamente, la solución permite a los profesores:
- Cree una tarea para los estudiantes generando preguntas y respuestas basadas en un mensaje
- Cree una imagen a partir del mensaje para representar la tarea.
- Guarde la nueva tarea en una base de datos.
- Buscar tareas existentes en la base de datos
Los estudiantes pueden usar la solución para lo siguiente:
- Seleccione una tarea de la base de datos de tareas y revísela
- Responde las preguntas de la tarea seleccionada.
- Verifique los resultados de calificación de las respuestas en tiempo real
- Revisar las mejoras gramaticales sugeridas en sus respuestas.
- Revise las mejoras de oraciones sugeridas para sus respuestas.
- Lea las respuestas recomendadas
Lo guiaremos a través de los pasos para crear la solución utilizando Amazon Bedrock, Amazon Elastic Container Service (Amazon ECS), Amazon CloudFront, Elastic Load Balancing (ELB), Amazon DynamoDB, Amazon Simple Storage Service (Amazon S3) y AWS Cloud. Kit de desarrollo (AWS CDK).
Descripción general de la solución
El siguiente diagrama muestra los recursos y servicios utilizados en la solución.
La solución se ejecuta como un servicio escalable. Los profesores y estudiantes acceden a la aplicación a través de sus navegadores. El contenido se entrega a través de una distribución de Amazon CloudFront con un balanceador de carga de aplicaciones como origen. Almacena las imágenes generadas en un depósito S3 y almacena las tareas del profesor y las respuestas y resultados de los estudiantes en tablas de DynamoDB separadas.
La solución utiliza Amazon Bedrock para generar preguntas, respuestas e imágenes de tareas y evaluar las respuestas de los estudiantes. Amazon Bedrock es un servicio totalmente administrado que hace que los modelos fundamentales de las principales empresas emergentes de inteligencia artificial y de Amazon estén disponibles a través de interfaces API fáciles de usar. La solución también aprovecha la API de corrección de errores gramaticales y la API de paráfrasis de AI21 para recomendar correcciones de palabras y oraciones.
Los detalles de implementación se pueden encontrar en las siguientes secciones. El código fuente está disponible en el repositorio de GitHub.
requisitos
Debe tener algunos conocimientos de IA generativa, aprendizaje automático y los servicios utilizados en esta solución, incluidos Amazon Bedrock, Amazon ECS, Amazon CloudFront, Elastic Load Balancing, Amazon DynamoDB y Amazon S3.
Usamos AWS CDK para construir e implementar la solución. Las instrucciones de configuración se pueden encontrar en el archivo Léame.
Crear tareas
Los profesores pueden crear una tarea a partir del texto ingresado usando la siguiente página GUI. Una tarea consta de un texto de entrada, las preguntas y respuestas generadas a partir del texto y una imagen generada a partir del texto de entrada para representar la tarea.
En nuestro ejemplo, un maestro ingresa las Pautas de seguridad para niños y bicicletas del Departamento de Transporte de EE. UU. Para el texto de entrada utilizamos el archivo bike.safe.riding.tips.txt.
La siguiente es la salida de la imagen generada.
A continuación se muestran las preguntas y respuestas generadas:
"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."
El maestro espera que los estudiantes completen la tarea leyendo el texto ingresado y luego respondiendo las preguntas generadas.
El portal utiliza Amazon Bedrock para crear preguntas, respuestas e imágenes. Amazon Bedrock acelera el desarrollo de soluciones de IA generativa al hacer que los modelos base estén disponibles a través de interfaces API. El código fuente se puede encontrar en el archivo 1_Create_Assignments.py.
El portal se basa en dos modelos fundacionales:
- Stable Diffusion XL para generar imágenes usando la función
query_generate_image_endpoint
- Anthropic Claude v2 para generar preguntas y respuestas usando la función
query_generate_questions_answers_endpoint
El portal almacena imágenes generadas en un depósito de S3 utilizando la función load_file_to_s3. Crea una tarea basada en el texto ingresado, la identificación del maestro, las preguntas y respuestas generadas y el enlace del depósito S3 para la imagen cargada. Guarda la asignación a las asignaciones de tablas de DynamoDB utilizando la función insert_record_to_dynamodb
.
Puede encontrar el código AWS CDK que crea la tabla de DynamoDB en el archivo cdk_stack.py.
Ver tareas
Los profesores pueden explorar las tareas y los artefactos generados utilizando la siguiente página GUI.
El portal utiliza la función. get_records_from_dynamodb
para obtener las asignaciones de las asignaciones de la tabla de DynamoDB. Utiliza la función download_image
para descargar una imagen del depósito S3. El código fuente se puede encontrar en el archivo 2_Show_Assignments.py.
Respondiendo preguntas
Un estudiante selecciona la tarea de un maestro, la lee y luego responde las preguntas de la tarea.
El portal ofrece una experiencia de aprendizaje atractiva. Por ejemplo, si el estudiante responde «Debo tener cuidado para proteger mi cerebro en un accidente», el portal evalúa la respuesta en tiempo real comparándola con la respuesta correcta. El portal también clasifica las respuestas de todos los estudiantes a la misma pregunta y muestra los tres primeros resultados. El código fuente se puede encontrar en el archivo 3_Complete_Assignments.py.
El portal almacena las respuestas del estudiante en una tabla de DynamoDB denominada Respuestas. Puede encontrar el código AWS CDK que crea la tabla de DynamoDB en el archivo cdk_stack.py.
Para calificar la respuesta de un estudiante, el portal llama al modelo Amazon Titan Embeddings para traducir la respuesta del estudiante y la respuesta correcta en representaciones numéricas y luego calcula su similitud como una puntuación. La solución se puede encontrar en el archivo 3_Complete_Assignments.py.
El portal genera sugerencias de correcciones gramaticales y mejoras de oraciones para la respuesta del estudiante. Finalmente, el portal muestra la respuesta correcta a la pregunta.
El portal aprovecha la API de corrección de errores gramaticales y la API de paráfrasis de AI21 para generar mejoras recomendadas en gramática y oraciones. El modelo de paráfrasis AI21 está disponible como modelo base en SageMaker. Puede implementar el modelo de paráfrasis AI21 como un punto de inferencia en SageMaker y llamar al punto de inferencia para generar mejoras en las oraciones.
Las funciones generate_suggestions_sentence_improvements
Y generate_suggestions_word_improvements
en el archivo 3_Complete_Assignments.py se muestra una forma alternativa de utilizar los puntos finales de la API REST AI21. Debe crear una cuenta AI21 y encontrar la clave API asociada con su cuenta para acceder a las API. Después del período de prueba tendrás que pagar por las vistas.
Diploma
En esta publicación, ha mostrado cómo puede utilizar una solución impulsada por IA para mejorar la experiencia de enseñanza y aprendizaje mediante el uso de múltiples modelos generativos de IA y PNL. Puede utilizar el mismo enfoque para desarrollar otros prototipos y aplicaciones de IA generativa.
Si está interesado en los fundamentos de la IA generativa y en trabajar con modelos base, incluidas técnicas de indicaciones avanzadas, consulte el curso práctico de IA generativa con LLM. Es un curso bajo demanda de tres semanas para científicos e ingenieros de datos que desean aprender a crear aplicaciones de inteligencia artificial generativa utilizando LLM. Es una buena base para construir con Amazon Bedrock. Visite la página de características de Amazon Bedrock e inicie sesión para obtener más información sobre Amazon Bedrock.
Sobre los autores
jeff li es arquitecto senior de aplicaciones en la nube en el equipo de servicios profesionales de AWS. Su pasión es trabajar en estrecha colaboración con los clientes para desarrollar soluciones y modernizar aplicaciones que respalden la innovación empresarial. En su tiempo libre le gusta jugar tenis, escuchar música y leer.
Isaac Privitera es científico de datos sénior en el Centro de Innovación de IA Generativa, donde desarrolla soluciones personalizadas basadas en IA generativa para abordar los problemas comerciales de los clientes. Trabaja principalmente en la construcción de sistemas de IA responsables utilizando la generación aumentada de recuperación (RAG) y el razonamiento en cadena de pensamiento. En su tiempo libre, le gusta jugar golf, jugar fútbol y pasear a su perro, Barry.
Harish Vaswani es arquitecto principal de aplicaciones en la nube en Amazon Web Services. Se especializa en diseñar y crear aplicaciones nativas de la nube y en brindar soporte a los clientes con las mejores prácticas en su viaje de transformación a la nube. Fuera del trabajo, Harish y su esposa Simin son productores de cortometrajes independientes galardonados y disfrutan pasar tiempo con su hijo Karan, de 5 años.
[ad_2]