Rens ter Weijde, medstifter og administrerende direktør for KIMO – Interviewserie

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 også en afhopningsrate på op til 95%. Hvorfor er succesraten så lav?

Da vi startede KIMO, gennemførte vi en undersøgelse blandt et par hundrede 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” løsninger, som f.eks. at læse artikler, lytte til podcasts, stille spørgsmål på Google (GOOGL ) osv., som bedre passede deres daglige kalender. Sådan er læring mere multikanal 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 indholdets relevans. Online-materiale er ofte statisk, forudindspillet og ikke fuldt ud relevant for dem. Man kunne sige, at indholdet ikke er personligt/relevant nok for dem – eller i hvert fald ikke relevant nok til at retfærdiggøre den tid, der bruges.

Mange brugere hævder, at de er kede af det og nævner ofte manglende 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: brugergrænsefladen 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 om KIMO’s oprindelse og hvad der fik 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 skalérbare for mennesker over hele verden. Vi besluttede over en whisky i en hotellobby, at vi kunne prøve at skabe en “digital karrierevejleder”. Den vejleder 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 række AI-modeller i pipeline. Nogle modeller er inherent simple, andre er mere komplekse. Det fælles træk er, at de fleste modeller afhænger af naturligt sprog som inputdata (NLP, f.eks. transformer-modeller). Disse modeller ligger bag indholdsanbefalingerne, 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 indhold-relaterede 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. hårde færdigheder eller bløde færdigheder)?

På simple vis: 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 i job på markedet på næsten realtid. Man kunne sige, at vores system “læser” alle disse jobprofiler for at forudsige, hvilke færdigheder der i øjeblikket kræves for jobene. Disse genkendte færdigheder grupperes herefter i bløde og hårde 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. Det sværere er at beslutte, hvordan disse vektorer bygges op, dvs. hvilke elementer, der vægtes ind. For nuværende fungerer systemet relativt simpelt og arbejder med brugernes læringspræferencer og popularitetspoint for online-materiale. Fremtiden vil være mere interessant, da vi prøver at vægte ind brugerens nuværende tilstand (f.eks. deres job) og den ønskede sluttilstand.

Hvad er nogle af de nuværende maskinlæringsmetoder, der bruges 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 en-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 ud, og send os jeres feedback!

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