Fetebird

کاری که انجام می دهد

Fetebird با بهره‌گیری از قدرت Gemini API (gemini-1.5-flash-001) و معماری Retrieval Augmented Generation (RAG) درجه‌بندی تکالیف را متحول می‌کند. این فرآیند ارزشیابی را ساده می کند، و در عین حال که انعطاف پذیری و سازگاری را حفظ می کند، بینش های ارزشمندی را در مورد درک دانش آموزان به مربیان ارائه می دهد.
عملکرد اصلی
پایگاه داده پاسخ مرجع - در قلب خود، Fetebird یک پایگاه داده از پاسخ های مرجع تأیید شده را نگهداری می کند که هر کدام برای مقایسه کارآمد بردار شده اند. در ابتدا، این پایگاه داده ممکن است فقط حاوی راه حل معلم باشد، اما با بررسی و تایید بیشتر مطالب ارسالی دانش آموزان، به صورت پویا گسترش می یابد.
یکپارچه سازی API Gemini - این برنامه از Gemini API (gemini-1.5-flash-001) و کتابخانه جاوا Langchain4j برای تعامل با یک مدل زبان بزرگ استفاده می کند. این Fetebird را قادر می سازد تا ارزیابی های پیچیده را انجام دهد و بازخورد دقیق ارائه دهد.
معماری RAG - هنگامی که یک استاد یک ارزیابی هوش مصنوعی را آغاز می کند، Fetebird از معماری RAG استفاده می کند. پاسخ‌های مرجع مربوطه را از پایگاه داده بازیابی می‌کند و در کنار ارسال دانش‌آموز به مدل Gemini ارائه می‌کند.
مهندسی سریع: سیستم با دقت طراحی شده و درخواست های کاربر، ارزیابی مدل را هدایت می کند. پاسخ‌های مرجع و کار دانش‌آموز را برای ارائه بازخورد جامع، برجسته کردن نقاط قوت، ضعف و زمینه‌های بهبود در نظر می‌گیرد.