Yohan Lee, Riiid Labsin Chief Strategy Officer – Haastattelusarja

Yohan Lee on Riiid Labsin Chief Strategy Officer, joka on johtava ratkaisujen toimittaja täysin vahvistettua ja dataohjattua tekoälytekniikkaa. He tekevät yhteistyötä maailmanlaajuisten johtajien kanssa koulutuksessa, taitojen koulutuksessa ja teknologiassa luodakseen parempia oppimiskokemuksia. He käyttävät tekoälyä auttamaan oppijoita saavuttamaan tavoitteensa nopeimmalla ja tehokkaimmalla tavalla.

Mikä aluksi veti sinut tekemään yhteistyötä tekoälyn kanssa?

Riiidin fokus. Riiid oli tehnyt oikeat liikkeet, joita vakava yritys, jolla on suuri potentiaali, tekisi. Jokainen askel oli järkevä ja inspiroiva. Sen tekoäly alkoi järkevästi yhteistyöllisten suodattimien menetelmillä, sitten säännöllisesti paransi algoritmejaan valtiolliseen muodonmuutokseen omalla ainutlaatuisella evoluutiollaan. Yritys julkaisi ajattelevia papereita, jotka osoittivat fokusta, tutkimusta ja mielikuvitusta. Yrityksen sovellus muutti käyttäjiä ja rahoitti menestyksekkäästi, mikä osoitti vahvan markkinoiden omaksumisen. Liiketoiminta laajeni B2C:stä B2B-ulottuvuuteen lisäksi testaussääntöjen ja kiinteistövälittäjän sovelluksen kanssa. Sitten se julkaisi suurimman koulutusaineiston aloittaakseen suurempaa innovaatiota luodakseen tekoälykoulutusyhteisöä (EdNet). Nämä ovat kaikki suurten yritysten liikkeet, jotka tekevät oikeat liikkeet. Lopulta, heidän julkisesti näkyvät rahoituskierrokset olivat vahva heijastus yrityksen investointipotentiaalista, kuinka nopeasti tämä yritys voisi tulla yksisarvisksi.

Edellisessä roolissasi olit Machine Intelligence ja Health Data Science -johtaja Google (GOOGL ) Brainissa, mitkä olivat joitakin projekteja, joissa työskentelit?

Johtaminen Tuotteen käyttöönotto: miten suunnitella, rakentaa, mitata, järjestelmätestaussääntöjen toteutus todellisen maailman todisteiden tutkimuksissa. Yhdistelmä edistynyttä testaussääntöjen rakentamista, tutkimusstrategiaa ja edistynyttä järjestelmien suunnittelua ja toteutusta. En ole insinööri, mutta olen ollut sertifioitu pilviarkkitehti useita vuosia nyt. Se oli luonnollinen sopimus, erityisesti monien tietosuojan ja haavoittuvien väestöryhmien (nimittäin lasten) tietosuojavaatimusten vuoksi.

Usein on tekninen valmius epäsymmetria kumppaneiden ja teknologiajättien välillä saavuttaakseen mittakaava. Se on siellä, missä ajan mittakaava. Teknologisen infrastruktuurin tekeminen itsestään kokoavaa teknologiaa, joka on suunniteltu koneoppimisen moottoreille, maksaa 1/10 hinnasta ja saavuttaa massiivisen rinnakkaisen laskennan viiveen ja kustannuksen.

Ennustusalgoritmien tekeminen saataville kumppaneillemme tekoälypalveluna on ollut jännittävää.

Kuinka voit selittää, mitä Riiid Labs on tarkalleen?

Riiid Labs on maailmanlaajuinen johtaja tekoälyratkaisuissa koulutuksessa. Riiid Labs on Riiid-emoyhtiön globaali haara, joka on perustettu Silicon Valleyyn rakentamaan Riiidin menestyksestä Aasiassa ja laajentamaan liiketoimintaa ympäri Yhdysvaltoja, Etelä-Amerikkaa, Lähi-itää ja muualle. Olemme koostettu tekoälytutkijoista, data-tieteilijöistä, insinööreistä ja liiketoimintakehityksestä, ja työskentelemme kumppaneiden kanssa eri pystysuorissa uudelleenajatellen perinteisiä oppimistapoja Riiidin tekoälykompetenssin laajentamiseksi. Olipa kyseessä sitten henkilökohtainen testaussovellus college-pääsykokeeseen Etelä-Amerikassa tai tekoälyopetusmoduuli kouluttamiseen vakuutusasioihin suuressa konglomeraatissa Koreassa, tarjoamme B2C/B2B/B2G-asiakkaille omistajan tekoälytekniikkaa, joka analysoi käyttäjän oppimiskäyttäytymisen tietoja, ennustaa seuraavan vastausvalinnan ja suosittelee henkilökohtaista oppimispolkua, joka lopulta maksimoi oppimispotentiaalia. Olemme jo laskeneet useita tuotteita, mukaan lukien Santa, mobiilinen testaussovellus suositulle englannin kielen taidon kokeeseen, Test of English for International Communication (TOEIC), jota on käytetty yli kahden miljoonan opiskelijan kanssa Koreassa ja Japanissa. Olemme myös julkaisseet GMAT-valmennussovelluksen Koreassa yhteistyössä Kaplanin kanssa ja ACT-valmennussovelluksen Egyptissä, Turkissa, UAE:ssa, Jordaniassa ja Saudi-Arabiassa yhteistyössä ConnecME:n kanssa. Riiid neuvottelee nyt laajasti eri asiakkaiden kanssa yksityis- ja julkisista sektoreista toteuttaakseen tekoälyratkaisuja koulutuksessa.

Miten tekoälytyökalut ovat askel eteenpäin koulutuksen demokratisoimisessa?

Yhdistyneiden Kansakuntien mukaan, jopa ennen koronakriisiä, ennusteet osoittivat, että yli 200 miljoonaa lasta olisi koulun ulkopuolella, ja vain 60 prosenttia nuorista suorittaisi yläkouluopintonsa vuoteen 2030 mennessä. Puolet kehittyvien maiden lasten koulutuksen ulkopuolella ei ollut soveltuvia pätevyyksiä työelämään. ’Yksi kokoa sopii kaikille’ -lähestymistavat koulutukseen ja korkean panoksen standardoituihin testituloksiin perustuvaan arviointiin eivät ole onnistuneet täyttämään koulutuksen odotettua roolia kasvattaa kykyjä yhteiskunnan kansalaisista.

Kehtovien taloudessa, kuten Koreassa ja Yhdysvalloissa, vauraat yhteisöt ovat paljon suurempia koulubudjetteja kuin köyhät yhteisöt. Seurauksena vauraat vanhemmat tekevät lisäksi yksityisiä opettajia, yksityisiä college-neuvonantajia, testaussovelluksia, yksityisiä urheiluvalmentajia ja koulun ulkopuolisia oppimiskokemuksia taiteessa ja kulttuurissa, jotka laajentavat kuilua heidän lastensa ja kaikkien muiden välillä. Tämä tarkoittaa, että opiskelijat vähemmän vauraissa yhteisöissä usein ovat vähemmän kokeneita opettajia, vähemmän pääsyä teknologiaan, vähennetyn internetin käytön koulussa ja kotona, eivätkä saa neuvoja yliopiston hakemisesta. Yhdysvalloissa lapsi, joka syntyy vauraaseen perheeseen, on 10 kertaa todennäköisemmin suorittamaan yliopiston tutkinnon kuin lapsi, joka syntyy köyhään perheeseen. Ja vaikka akateeminen kyky on vakio, vauras lapsi on paljon todennäköisemmin mennä yliopistoon ja suorittaa tutkinnon. Tämä vaikuttaa myös taloudelliseen kasvuun. Kun kyky ja potentiaali ovat laajasti jakautuneita yhteiskunnassa, mutta mahdollisuus ei ole, työmarkkinat ja talous eivät voi tehokkaasti kytkeä kykyä työhön, ja se hidastaa innovaatiota ja vaarantaa kansallisen tuottavuuden ja taloudellisen kasvun.

Perustuen merkittäviin tietoihin, tekoäly voi arvioida ja ymmärtää jokaisen opiskelijan tietotason ja yksilöllisen oppimiskäyttäytymisen ja tarjota henkilökohtaista sisältöä, joka on ajoitettu auttamaan opiskelijoita saavuttamaan jokaisen oppimistavoitteen. Tekoäly on ikuinen ja voi antaa jokaiselle yhdenmukaisen, yksilöllisen huomion murto-osalla yksityisten opettajien kustannuksista. On mahdollista, että jokainen opiskelija, jolla on internet-yhteys ja älypuhelin, voi osallistua mukaansatempaavaan, henkilökohtaiseen oppimiskokemukseen, riippumatta siitä, missä he asuvat. Tekoäly voi myös auttaa opettajia henkilökohtaistamaan oppimiskokemuksia, vähentämällä aikaa, jonka opettajat tarvitsevat toistuvien tehtävien tekemiseen, ja uudelleenohjata sen ajan tarjoamaan yksilöllistä huomionta ja henkilökohtaisia oppimisresursseja, jotka ovat käytettävissä jokaiselle opiskelijalle 24/7, riippumatta siitä, onko koulu avoinna tai ei.

Voitko keskustella ensimmäisen koskaan tekoälykoulutuksen (AIEd) haasteen visiosta?

Maailma tarvitsee uuden paradigman koulutukseen voittamaan nykyisen koulutuksen kriisin. Tekoälyvoimaiset oppimisratkaisut, joita opiskelijat käyttävät verkossa, voivat antaa jokaiselle yhdenmukaisen, yksilöllisen huomion murto-osalla yksityisten opettajien kustannuksista, olipa se itsenäistä oppimista tai opettajajohtoista oppimista. Uskomme todella visioomme tekoälykoulutuksessa ja olemme varmoja, että voimme muuttaa koulutusta ja parantaa opiskelijoiden elämää. Mutta tiedämme, ettemme voi saavuttaa tätä visiota yksin. Tarvitsemme laajemman tekoäly- ja koulutusyhteisön ostamaan ideoitamme ja osallistumaan siihen. Viime vuonna Riiid julkaisi julkisesti EdNetin, suuren mittakaavan hierarkkisen aineiston moninaisista opiskelijoiden toiminnasta Riiidin tekoälyjärjestelmästä. Se sisältää tietoja yli 131 miljoonasta vuorovaikutuksesta yli 780 000 todellisen maailman opiskelijan kanssa. Se on suurin tekoälykoulutuksessa julkaistu aineisto tähän asti. Haluamme parhaat mieltä alalla käyttämään tätä aineistoa löytääkseen innovatiivisia ratkaisuja, jotka auttaisivat ratkaisemaan koulutuksen haasteita. Sen vuoksi Riiid julkaisi ensimmäisen tekoälykoulutuksen haasteen, globaalin haasteen luoda ja arvioida algoritmeja tietämisjäljitykselle EdNetin avulla. Uskomme, että yhdistämällä voimamme voimme tehdä suuremman vaikutuksen ja kiihdyttää tekoälyvoimaisen koulutuksen trendiä. Johtaminen esimerkillä on välttämätöntä johtajuudelle ja inspiroimiselle muille.

Mitkä olivat joitakin tuloksia AIED:stä?

Haaste kesti 6. lokakuuta 2020 – 8. tammikuuta 2021 Google Kaggle -alustalla, verkossa olevalla yhteisöllä data-tieteilijöistä ja koneoppimisen harjoittajista.

• Yhteensä 100 000 dollarin palkinnosta 3 395 tiimiä 90 maasta osallistui haasteeseen, mikä teki siitä suurimman Kaggle-algoritmihaasteen, jota liiketoimintayksikkö isännöi vuonna 2020.
• 52 Kaggle Grandmasteria osallistui, mikä on suurin osuus Kaggle-kilpailijoista menneiden suoritusten perusteella. Vertailun vuoksi vuoden 2020 kilpailut keskimäärin vain 25 Grandmasteria osallistui.
• Tässä haasteessa 64 678 erilaista ja luovaa tietämisjäljitysmallia lähetettiin.
• Joukkueet Koreasta, Japanista ja Espanjasta voittivat kolme ensimmäistä sijaa ja saivat 50 000, 30 000 ja 10 000 dollaria. Kolme parasta joukkuetta esittivät mallinsa AAAI-2021 -työpajassa tekoälykoulutuksesta: Post-COVID -koulutus tekoälyllä, jota isännöivät ja organisoivat Riiidin tutkijat.
• Kaikki voittavat ratkaisut käyttivät Transformer-malleja, huomion perustuvaa mallia, jota käytettiin alun perin konekäännöksessä [AAYN] (Vaswani et al) ja otettiin käyttöön Riiidin tutkijoiden toimesta. Tämä osoittaa, että Transformerien arvo on hyvin selvä, ja innovatiiviset tavit, joilla Kagglers käytti niitä, olivat sekä akateemisesti että käytännöllisesti mielenkiintoisia. Nämä olivat luovia sovelluksia Transformeristä, joita heidän tutkijamme eivät odottaneet. Olimme niin rohkaistuneita, että tarjoamalla tällaista alustaa voimme edistää monia kokeellisia lähestymistapoja tekoälykoulutuksessa. Uskomme, että tämä johtaa sovellettavien teknologioiden edistymiseen tämän vahvan tutkimuksen perustan laajentamisena.

Miten tekoäly voi parhaiten kiihdyttää henkilökohtaista oppimista?

Yhteenvetona, tekoälytekniikka, joka perustuu syvään oppimiseen, analysoi käyttäjien tietoja ja sisältöä ja ennustaa tuloksia ja käyttäytymistä. Perustuen näihin oivalluksiin, tekoäly suosittelee henkilökohtaisia opiskelusuunnitelmia reaaliajassa.

Ja Riiidin ydin tekoälytekniikka tekee juuri sen: 1) Tietämisjäljitys, 2) Pistemäärän ennustaminen, 3) Henkilökohtainen suositus.

1. Tietämisjäljitys: Tietämisjäljitys on yksi perustavista tehtävistä tekoälykoulutuksessa. Tunnistaminen siitä, mitä opiskelijat tietävät ja eivät tiedä tietyssä vaiheessa, tarjoaa perustan optimaalisen oppimispolun rakentamiseen. Ja malli pystyy ennustamaan, vastaako opiskelija oikein tai väärin kysymyksiin. Meidän syväoppimiseen perustuva tietämisjäljitysmallimme, joka on inspiroitu Google Transformerista, ennustaa, vastaako opiskelija oikein tai väärin kysymyksiin korkeimmalla tarkkuudella.
2. Pistemäärän ennustusmalli: Pistemäärän ennustusmalli ennustaa opiskelijan saavutustason oppimisprosessissa. Meidän mallimme ennustaa opiskelijan pistemäärän ± 5 prosentin keskiarvon virheen, mikä voidaan laajasti ilmaista 95 prosentin tarkkuudella. Arviointi antaa palautetta opiskelijan tietotilasta, mikä mahdollistaa oppimisen mukauttamisen reaaliajassa. Ja se mahdollistaa opiskelijoiden tunnistaa edistymisensä ja saavutuksensa, mikä edistää itsearviointia ja harjoittelua.
3. Suositussysteemi: Perustuen tietämisjäljitys- ja pistemäärän ennustusmalliin, tarjoamme opiskelijoille kohteita, joissa on eniten parantamisen varaa. Suositussysteemin suunnittelu ei aina ole suoraviivainen, ja se vaatii paljon harkintaa ja tutkimusta ymmärtääkseen, mikä on parasta opiskelijalle. Riiid on kehittänyt Suosituksen tehokkaan standardoituneen tentin valmisteluun (RCES), tekoälymallin, joka suosittelee kysymyksiä, jotka eivät ainoastaan maksimoi odotettuja pistemäärää, vaan varmistaa, että oppiminen tapahtuu. Se välttää tavoitetta vain lisätä testipisteitä oppimisen puutteen vuoksi ja heijastaa uuden tiedon hankkimisen vaikutusta virheellisesti vastattuihin kysymyksiin.

Voitko keskustella Riiid Santa -sovelluksista ja mitä käyttäjien odottaa?

Riiid tarjoaa Santa, mobiilisen testaussovelluksen suositulle englannin kielen taidon kokeeseen, Test of English for International Communication (TOEIC). Sovellus sisältää Riiidin omistaman tekoälytekniikan, joka analysoi käyttäjien tietoja ja sisältöä, ennustaa tuloksia ja käyttäytymistä ja suosittelee henkilökohtaisia opiskelusuunnitelmia reaaliajassa auttaakseen käyttäjiä optimoida oppimispotentiaaliaan. Sovellusta on käytetty yli kahden miljoonan opiskelijan (2,5 miljoonaa) kanssa Koreassa ja Japanissa ja se on saavuttanut myyntiennätyksen koulutussovelluksissa Japanissa ja Koreassa. Käyttäjien tietojen perusteella yhden vuoden ajan, keskimääräinen pistemäärä lisääntyi 165 pisteellä 990 pisteen maksimipistemäärästä vain 20 tunnin opiskelun jälkeen.

Onko mitään muuta, mitä haluaisit jakaa Riiidistä tai Riiid Labsista?

Vain kuuden vuoden aikana olemme vastaanottaneet vain pinnan rajattomista näkymistä tekoälykoulutuksessa. Olemme nähneet, miten voimme muuttaa perinteisiä oppimistapoja standardoituihin testeihin. Mutta näimme myös mahdollisuuden merkityllisemmän mittarin oppimiskyvystä. Ja uskomme todella, että olemme parhaiten varusteltu johtamaan tätä vallankumousta.

Uskomme, että ainoastaan ymmärtämällä opiskelijan päivittäistä oppimiskäyttäytymistä ja polkua voidaan arvioida opiskelijan todellinen potentiaali ja optimoida oppimiskokemus sen mukaan. Tämä ei ollut mahdollista aiemmin. Mutta tekoälyllä voimme analyysin nykyistä oppijoiden tasoa ja välittömästi mukauttaa opetusta yksilöllisten tarpeiden mukaan. Voimme jatkuvasti motivoida heitä ja seurata heidän edistymistään. Voimme antaa jokaisen oppijan kasvaa omalla tavallaan, omassa tahdissaan, mitä nykyinen järjestelmä ei tuke. Tällä lähestymistavalla voimme todella avata oppijan oppimispotentiaalin.

Visiomme on vain toteutunut testaussovelluksilla, mutta olemme aloittamassa jotain suurta. Summatiivinen arviointi, joka arvioi oppijoita yksittäisillä testeillä, ei ole paras työkalu arviointiin ja tehokkaaseen oppimiseen. Ja lisäksi se on nyt fyysisesti virheellinen Covid19 -vuoksi, ja näimme suuren markkinatarpeen tehokkaisiin ja käytännöllisiin muodostuvien arviointityökaluihin. Sen vuoksi Riiid on nyt työskentelemässä syväoppimiseen perustuvan, alueiden riippumattoman ’kykyarviointimallin’ kehittämisessä, jota kutsutaan ’Riiid-Scoreksi’. Olemme varmoja, että muutamme koulutuksen ydintä tukeutumalla muodostuvaan oppimiseen, joka tarkoittaa jatkuvaa opetus-oppimiskokemuksen optimointia. Uskomme, että tämä on perusaskel koulutukseen, joka voi vapauttaa jokaisen yksilön potentiaalin. Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Riiid Labsissa.