Rens ter Weijde, Co-Founder & CEO of KIMO – Interview Serie

KIMO er en nederlandsk startup grundlagt af to Harvard-alumner: Krishna Deepak Nallamilli (Indien) og Rens ter Weijde (Nederlandene). Teamet er fokuseret på at bygge den kunstig intelligens, der er nødvendig for at generere individuelle læringsveje gennem digitalt læringsindhold.

Mens online-læring har taget fart, har den dog en afhopningsprocent på op til 95%. Hvorfor er succesraten så lav?

Da vi startede KIMO, gennemførte vi en undersøgelse blandt nogle hundred brugere for at forstå situationen bedre. Først og fremmest tilbyder de fleste online-udbydere MOOC’er (online-kurser), men brugerne opfatter MOOC’er som en betydelig tidsmæssig forpligtelse. De ville ofte bruge mange “kortere” workaround’er, som f.eks. at læse artikler, lytte til podcasts, stille spørgsmål på Google osv., som bedre passer til deres daglige skema. Sådan er læring mere multi-kanal i praksis end disse udbydere tillader. Derudover udtrykte mange brugere, at de manglede vejledning på deres online-rejse. Resultatet er, at de bruger meget tid på at søge, forsøge at beslutte, hvad de skal studere osv. En tredje grund handler om relevansen af det faktiske indhold. Online-materialer er ofte statiske, forudindspillede og ikke fuldt ud relevante for dem. Man kunne sige, at indholdet ikke er personligt/relevant nok for dem – eller i hvert fald ikke relevant nok til at retfærdige den tid, der bruges.

Mange brugere hævder, at de er kedede og nævner ofte manglen på engagement som et problem. Hvorfor tror du, at brugerne føler sig fravalgt i forhold til online-læring?

Jeg tror, der er plads til at gøre læringsplatforme bedre på mindst to vigtige områder. Først og fremmest kræves bedre intelligens for at vejlede brugerne på bedre rejser og give bedre indholdsanbefalinger. Man kunne sige, at dette er den nødvendige forskning og udvikling for uddannelsessektoren, som er tæt forbundet med AI-algoritmer. Det andet element er den anden side af værdikæden: UI/UX og den endelige brugeroplevelse. De fleste LMS-systemer opfattes som kedelige og forældede af brugerne. De er langt fra den polerede, realtids-, sociale og personlige software, som brugerne forventer i dag.

Kan du dele historien bag KIMO og hvad der tiltrak dig til at løse online-læringsproblemet?

Ja! KIMO startede, da Krishna, min medstifter, og jeg mødtes på Harvard Business School. Vi elskede miljøet, men indså samtidig, at de gode dele af oplevelsen ikke var skalerbare til mennesker over hele verden. Vi besluttede over en whisky i en hotellobby, at vi kunne prøve at skabe en “digital karrierecoach”. Den coach var den første version af KIMO.

Kan du diskutere, hvordan AI er nødvendig for at generere individuelle læringsveje gennem digitalt læringsindhold?

I virkeligheden afhænger KIMO af en mængde AI-modeller i pipeline’en. Nogle modeller er indreibt simple, andre er mere komplekse. Det fælles træk er, at de fleste modeller afhænger af naturligt sprog som deres inputdata (NLP, f.eks. transformer-modeller). Disse modeller er baggrunden for de indholdsanbefalinger, du modtager, grupperingen af indhold i bestemte emner eller genkendelsen af de kritiske færdigheder, der kræves for job. Vi har også nogle mere eksperimenterende “generative” AI-modeller, som f.eks. modellen, der besvarer indholdsrelaterede spørgsmål inde i KIMO-appen. Hvis dette virker tilstrækkeligt, er det et skridt nærmere automatiseringen af professorer, som vi forestiller os.

Kan du uddybe, hvordan et AI-system kan lære at forstå job i stor detalje (f.eks. hård færdigheder eller blød færdigheder)?

På en simpel måde: vi besluttede at ignorere eksisterende databaser (O*Net, ESCO) til dette arbejde, da de ikke var detaljerede nok og forældede. I stedet byggede vi et system, der kan genkende ~40.000 færdigheder inde i job på markedet på en næsten realtidsmæssig måde. Man kunne sige, at vores system “læser” alle disse jobprofiler for at forudsige, hvilke færdigheder der i øjeblikket kræves for job. Disse genkendte færdigheder grupperes derefter i blød- og hård færdigheder.

Kan du diskutere, hvordan personlig læring fungerer på platformen, såsom hvordan systemet vil vide, hvilken type indhold der fungerer bedst for hver bruger, såsom artikler, videoer, podcasts, papirer osv.?

Det simple svar er, at vi matcher brugere og indhold gennem vektor-matching, som er almindelig praksis i anbefalingsmodeller. Den svære del er at afgøre, hvordan disse vektorer opbygges, dvs. hvilke elementer der vægtes ind. For nuværende er systemet relativt simpelt og fungerer med brugernes læringspræferencer og popularitetspoint for online-materialer. Fremtiden vil være mere interessant, da vi forsøger at vægte ind den nuværende tilstand af brugeren (f.eks. deres job) og den ønskede sluttilstand.

Hvad er nogle af de nuværende maskinlæringsmetoder, der anvendes i KIMO-systemet?

Vi bruger mange forskellige modeller, afhængigt af opgaven. Men jeg kan sige, at vi har en dyb kærlighed til NLP-modeller, der bruger opmærksomhed, dvs. transformer-modeller.

Hvor ser du fremtiden for online-uddannelse om 5 år?

Kort sagt ser jeg online-uddannelse bevæge sig fra “kedelig, ensom og én-størrelse-til-alle” til “højst engagerende, social og personlig”. Online-uddannelsesvirksomheder må undslippe idéen om, at de eksisterer i en traditionel, langsomt bevægelig industri. I stedet skal de indse, at de konkurrerer i informationskureringens tidsalder, lige i hjertet af mange vigtige tendenser i dag.

Er der noget andet, du gerne vil dele om KIMO?

Ja. KIMO er stadig en baby, eller “beta”, som vi kalder det. Download appen, prøv den af, og send os jeres feedback!

Tak for det gode interview. Læsere, der ønsker at lære mere, skal besøge KIMO.