Rens ter Weijde, Co-Fondateur et PDG de KIMO – Série d’entretiens

KIMO est une start-up néerlandaise fondée par deux anciens élèves de Harvard : Krishna Deepak Nallamilli (Inde) et Rens ter Weijde (Pays-Bas). L’équipe se concentre sur la création de l’intelligence artificielle nécessaire pour générer des parcours d’apprentissage individuels à travers des contenus d’apprentissage numérique.

Alors que l’apprentissage en ligne a pris son essor, il présente des taux d’abandon pouvant atteindre 95 %. Pourquoi le taux de réussite est-il si faible ?

Lorsque nous avons lancé KIMO, nous avons mené une enquête auprès de quelques centaines d’utilisateurs pour mieux comprendre la situation. Tout d’abord, la plupart des fournisseurs de services en ligne proposent des MOOC (cours en ligne), mais les utilisateurs perçoivent ces MOOC comme un engagement de temps important. Ils utiliseraient souvent des « raccourcis » plus courts, comme la lecture d’articles, l’écoute de podcasts, la pose de questions sur Google (GOOGL ), etc., qui s’adaptent mieux à leur emploi du temps quotidien. Ainsi, l’apprentissage est plus multicanal dans la pratique que ce que permettent ces fournisseurs. De plus, de nombreux utilisateurs ont exprimé qu’ils manquaient de guidage dans leur parcours en ligne. Le résultat est qu’ils passent beaucoup de temps à chercher, à essayer de décider ce qu’ils doivent étudier, etc. Une troisième raison concerne la pertinence du contenu réel. Les matériaux en ligne sont souvent statiques, préenregistrés et pas entièrement pertinents pour les utilisateurs. On pourrait dire que le contenu n’est pas suffisamment personnel ou pertinent pour eux – ou du moins, pas suffisamment pertinent pour justifier le temps passé.

De nombreux utilisateurs affirment s’ennuyer et citent fréquemment un manque d’engagement comme problème. Pourquoi pensez-vous que les utilisateurs se sentent déconnectés de l’apprentissage en ligne ?

Je pense qu’il y a une marge de manœuvre pour améliorer les plateformes d’apprentissage sur au moins deux dimensions principales. Tout d’abord, une meilleure intelligence est requise pour guider les utilisateurs sur de meilleures trajectoires et proposer de meilleures recommandations de contenu. On pourrait dire que c’est la R&D nécessaire pour le secteur de l’éducation, fortement liée aux algorithmes d’IA. Le deuxième élément est l’autre côté de la chaîne de valeur : l’interface utilisateur et l’expérience finale pour les utilisateurs. La plupart des systèmes de gestion de l’apprentissage (LMS) sont considérés comme ennuyeux et obsolètes par les utilisateurs. Ils sont loin des logiciels polis, en temps réel, sociaux et personnalisés que les utilisateurs attendent aujourd’hui.

Pouvez-vous partager l’histoire de la création de KIMO et ce qui vous a attiré pour résoudre le problème de l’apprentissage en ligne ?

Bien sûr ! KIMO a commencé lorsque Krishna, mon co-fondateur, et moi nous nous sommes rencontrés à la Harvard Business School. Nous avons aimé l’environnement, mais nous avons réalisé en même temps que les bons aspects de l’expérience n’étaient pas extensibles à des personnes à travers le monde. Nous avons décidé, pendant un whisky dans le hall d’un hôtel, que nous pourrions essayer de créer un « coach de carrière numérique ». Ce coach était la première version de KIMO.

Pouvez-vous discuter de la manière dont l’IA est nécessaire pour générer des parcours d’apprentissage individuels à travers des contenus d’apprentissage numérique ?

En fait, KIMO repose sur une multitude de modèles d’IA dans le pipeline. Certains modèles sont intrinsèquement simples, d’autres sont plus complexes. Le fil conducteur est que la plupart des modèles reposent sur le langage naturel comme données d’entrée (NLP, par exemple des modèles de transformateur). Ces modèles se trouvent derrière les recommandations de contenu que vous recevez, le regroupement de contenu en sujets spécifiques ou la reconnaissance des compétences clés requises pour les emplois. Nous avons également des modèles d’IA « génératifs » plus expérimentaux, comme le modèle qui répond aux questions liées au contenu à l’intérieur de l’application KIMO. Si cela fonctionne suffisamment, c’est un pas de plus vers l’automatisation des professeurs que nous envisageons.

Pouvez-vous élaborer sur la manière dont un système d’IA peut apprendre à comprendre les emplois en détail (par exemple, les compétences dures ou les compétences douces) ?

En termes simples : nous avons décidé d’ignorer les bases de données existantes (O*Net, ESCO) pour ce travail car elles n’étaient pas suffisamment détaillées et obsolètes. Au lieu de cela, nous avons construit un système capable de reconnaître environ 40 000 compétences dans les emplois sur le marché en quasi-temps réel. On pourrait dire que notre système « lit » tous ces profils d’emploi pour prédire quels types de compétences sont actuellement requises pour les emplois. Ces compétences reconnues sont ensuite regroupées en compétences dures et douces.

Pouvez-vous discuter de la manière dont l’apprentissage personnalisé fonctionne sur la plateforme, comme la manière dont le système saura quel type de contenu fonctionne le mieux pour chaque utilisateur, tels que les articles, les vidéos, les podcasts, les documents, etc. ?

La réponse simple est que nous faisons correspondre les utilisateurs et le contenu par l’intermédiaire d’une correspondance vectorielle, ce qui est une pratique courante dans les modèles de recommandation. La partie plus difficile est de décider comment ces vecteurs sont construits, en d’autres termes, quels éléments sont pondérés. Pour l’instant, le système est relativement simple et fonctionne avec les préférences d’apprentissage de l’utilisateur et les scores de popularité pour les matériaux en ligne. L’avenir sera plus intéressant, car nous essayons de prendre en compte l’état actuel de l’utilisateur (par exemple, son emploi) et l’état souhaité.

Quelles sont certaines des méthodologies d’apprentissage automatique actuelles utilisées dans le système KIMO ?

Nous utilisons de nombreux modèles différents, selon la tâche. Mais je peux dire que nous avons un amour profond pour les modèles NLP qui utilisent l’attention, donc les modèles de transformateur.

Où voyez-vous l’avenir de l’éducation en ligne dans 5 ans ?

Brièvement, je vois l’éducation en ligne passer de « ennuyeuse, solitaire et unique » à « hautement engageante, sociale et personnalisée ». Les entreprises d’éducation en ligne doivent échapper à l’idée qu’elles existent dans un secteur traditionnel et à évolution lente. Au lieu de cela, elles devraient réaliser qu’elles concourent dans l’ère de la curation, right at the heart of many important trends today. Is there anything else that you would like to share about KIMO? Yes. KIMO is still a baby, or ‘beta’ as we call it. Download the app, try it out, and send us your feedback! Thank you for the great interview, readers who wish to learn more should visit KIMO.