Rens ter Weijden, KIMO:n perustaja ja toimitusjohtaja – Haastattelusarja

KIMO on hollantilainen start-up, jonka perustivat kaksi Harvardin entistä opiskelijaa: Krishna Deepak Nallamilli (Intia) ja Rens ter Weijde (Alankomaat). Tiimi keskittyy rakentamaan tekoälyä, joka tarjoaa yksilöllisiä oppimispolkuja digitaalisen oppimismateriaalin kautta.

Verkko-opiskelu on lähtenyt liikkeelle, mutta se sisältää myös jättimäisiä keskeytysprosentteja, jopa 95%. Miksi menestymisprosentti on niin alhainen?

Kun aloimme KIMO:n, kysyimme muutamalta sadalta käyttäjältä, jotta ymmärtäisimme tilanteen paremmin. Ensinnäkin, useimmat verkko-opiskelun tarjoajat tarjoavat MOOC:eja (verkko-kursseja), mutta käyttäjät kokevat MOOC:it merkittävinä aikapanoksina. He käyttävät usein “lyhyempiä” ratkaisuja, kuten artikkeleita, podcasteja, Google-hakua jne., jotka sopivat paremmin heidän päivittäiseen aikatauluunsa. Oppiminen on siis monikanavaista käytännössä kuin mitä tarjoajat sallivat. Lisäksi monet käyttäjät ilmoittivat, että he kaipasivat ohjausta verkko-opintomatkaltaan. Tuloksena he viettävät paljon aikaa etsimällä, yrittäessään päättää, mitä opiskella, jne. Kolmas syy liittyy itse oppimismateriaalin merkitykseen. Verkko-oppimateriaalit ovat usein staattisia, esitäytettyjä ja eivät ole täysin merkityksellisiä heille – tai ainakin eivät ole riittävän merkityksellisiä oikeuttaakseen ajan, joka niiden opiskeluun kuluu.

Monet käyttäjät väittävät olevansa bored ja mainitsevat usein puutteellisen sitoutumisen ongelmana, miksi uskot, että käyttäjät tuntevat itsensä etäältä verkko-opiskelusta?

Uskon, että on tilaa parantaa oppimisalustoja vähintään kahdella pääulottuvuudella. Ensinnäkin, tarvitaan parempaa älykkyyttä ohjatakseen käyttäjiä paremmille poluille ja tarjoatakseen parempia sisältösuosituksia. Voitaisiin sanoa, että tämä on vaadittu tutkimus ja kehitys koulutussektorille, joka liittyy voimakkaasti tekoälyalgoritmeihin. Toinen elementti on arvonluontijakso: käyttöliittymä ja lopullinen käyttökokemus käyttäjille. Useimmat LMS-järjestelmät nähdään tylsinä ja vanhanaikaisina käyttäjien silmissä. Ne ovat kaukana viimeisimmistä, reaaliaikaisista, sosiaalisista ja henkilökohtaistetuista ohjelmistoista, joita käyttäjät odottavat tänään.

Voitko jakaa KIMO:n synnystarinan ja kertoa, mitä sai sinut ratkaisemaan verkko-opiskelun ongelman?

Totta! KIMO alkoi, kun Krishna, minun perustajani, ja minä tapasimme Harvardin liiketoimintakoulussa. Rakastimme ympäristöä, mutta tosiasiallisesti hyvät osat kokemuksesta eivät olleet skaalautuvia maailmanlaajuisesti. Päätimme hotellin aulassa, että voimme yrittää luoda “digitaalisen uravalmentajan”. Se valmentaja oli KIMO:n ensimmäinen versio.

Voitko keskustella siitä, miten tekoäly on tarpeen luodakseen yksilöllisiä oppimispolkuja digitaalisen oppimismateriaalin kautta?

Todellisuudessa KIMO luottaa useisiin tekoälymalliin putkessa. Jotkut mallit ovat luonnostaan yksinkertaisia, toiset monimutkaisempia. Yhteinen side on, että useimmat mallit luottavat luonnolliseen kielen sisältöön (NLP, esim. transformer-mallit). Nämä mallit ovat taustalla sisältösuosituksissa, joita saat, sisällön ryhmittelyssä tiettyihin aiheisiin tai tunnistamisessa kriittisiä taitoja, joita tarvitaan työpaikoilla. Meillä on myös joitakin kokeellisia “generatiivisia” tekoälymalleja, kuten malli, joka vastaa oppimismateriaaliin liittyviin kysymyksiin KIMO-sovelluksessa. Jos tämä toimii riittävän hyvin, se on askel lähemmäs professoreiden automaatiota, jonka näemme.

Voitko selittää, miten tekoälyjärjestelmä voi oppia ymmärtämään työpaikkoja yksityiskohtaisesti (esim. kovia taitoja, pehmeitä taitoja)?

Yksinkertaisesti sanottuna: päättimme jättää olemassa olevat tietokannat (O*Net, ESCO) tämän työn vuoksi, koska ne eivät olleet tarpeeksi yksityiskohtaisia ja vanhentuneita. Sen sijaan rakensimme järjestelmän, joka voi tunnistaa noin 40 000 taitoa työpaikoissa markkinoilla lähes reaaliajassa. Voitaisiin sanoa, että järjestelmämme “lukee” nämä työprofiilit ennustamaan, minkälaisia taitoja työpaikoilla vaaditaan tällä hetkellä. Nämä tunnistetut taidot ryhmitellään myöhemmin koviksi ja pehmeiksi taidoiksi.

Voitko keskustella siitä, miten henkilökohtainen oppiminen toimii alustalla, kuten miten järjestelmä tietää, minkälainen sisältö toimii parhaiten kullekin käyttäjälle, kuten artikkeleita, videoita, podcasteja, papereita jne.?

Yksinkertainen vastaus on, että me yhdistämme käyttäjiä ja sisältöä vektoreiden vertaamalla, mikä on yleinen käytäntö suosittelumalleissa. Vaikeampi osa on päättää, mitkä elementit painotetaan vektoreiden rakentamisessa. Toistaiseksi järjestelmä on suhteellisen yksinkertainen ja toimii oppimisen mieltymyksillä ja verkko-aineistojen suosituksilla. Tulevaisuus on mielenkiintoisempi, koska yritämme painottaa käyttäjän nykyistä tilaa (esim. heidän työtään) ja toivottua lopputilaa.

Mitkä ovat joitakin nykyisiä koneoppimismenetelmiä, joita KIMO-järjestelmässä käytetään?

Käytämme monia eri malleja, riippuen tehtävästä. Mutta voin sanoa, että meillä on syvä rakkaus NLP-malleja, jotka käyttävät huomioita, eli transformer-malleja.

Mihin näet verkko-opetuksen tulevaisuuden viiden vuoden kuluttua?

Lyhyesti sanottuna, näen verkko-opetuksen siirtymisen “tylsästä, yksinäisestä ja yhden kokoa vastaavasta” “erittäin osallistavaksi, sosiaaliseksi ja henkilökohtaistetuksi”. Verkko-opetusyhtiöiden on pakko paeta ajatuksesta, että he ovat perinteisessä, hitaasti liikkuvaessa toimialassa. Sen sijaan heidän on toteutettava, että kilpailevat tietojen kuraation aikakaudella, suoraan monien tärkeiden trendien sydämessä tänään.

Onko mitään muuta, mitä haluaisit jakaa KIMO:sta?

Kyllä. KIMO on vielä vauva, tai “beeta”, kuten me sanomme. Lataa sovellus, kokeile sitä ja lähetä palautetta!

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla KIMO:ssa.