Rens ter Weijde, Co-Founder & CEO of KIMO – Seri Wawancara

KIMO adalah sebuah startup Belanda yang didirikan oleh dua alumni Harvard: Krishna Deepak Nallamilli (India) dan Rens ter Weijde (Belanda). Tim ini fokus membangun kecerdasan buatan yang diperlukan untuk menghasilkan jalur pembelajaran individu melalui konten pembelajaran digital.

Ketika pembelajaran online telah berkembang, mengapa tingkat keberhasilan masih rendah, bahkan mencapai 95%?

Ketika kami memulai KIMO, kami melakukan survei pada beberapa ratus pengguna untuk memahami situasi yang lebih baik. Pertama-tama, sebagian besar penyedia online menyediakan MOOC (kursus online), tetapi pengguna merasa bahwa MOOC memerlukan komitmen waktu yang signifikan. Mereka sering menggunakan cara-cara yang lebih singkat, seperti membaca artikel, mendengarkan podcast, bertanya pada Google (GOOGL ), dan lain-lain, yang lebih sesuai dengan jadwal harian mereka. Jadi, pembelajaran lebih banyak saluran daripada yang diizinkan oleh penyedia. Selain itu, banyak pengguna mengatakan bahwa mereka merindukan bimbingan dalam perjalanan online mereka. Hasilnya, mereka menghabiskan banyak waktu untuk mencari, mencoba memutuskan apa yang harus dipelajari, dan lain-lain. Alasan ketiga berkaitan dengan relevansi konten yang sebenarnya. Bahan online seringkali statis, direkam sebelumnya, dan tidak sepenuhnya relevan dengan mereka. Anda bisa mengatakan bahwa konten tidak cukup personal atau relevan untuk mereka – atau setidaknya tidak relevan enough untuk membenarkan waktu yang dihabiskan.

Banyak pengguna mengklaim bahwa mereka bosan dan sering menyebutkan kurangnya keterlibatan sebagai masalah, mengapa Anda percaya bahwa pengguna merasa tidak terlibat dengan pembelajaran online?

Saya percaya bahwa ada ruang untuk membuat platform pembelajaran lebih baik dalam setidaknya dua dimensi utama. Pertama-tama, kecerdasan yang lebih baik diperlukan untuk membimbing pengguna pada perjalanan yang lebih baik dan memberikan rekomendasi konten yang lebih baik. Anda bisa mengatakan bahwa ini adalah R&D yang diperlukan untuk sektor pendidikan, yang sangat terkait dengan algoritma kecerdasan buatan. Elemen kedua adalah sisi lain dari rantai nilai: UI/UX dan pengalaman akhir untuk pengguna. Sebagian besar sistem LMS dianggap membosankan dan kuno oleh pengguna. Mereka jauh dari perangkat lunak yang ramping, waktu nyata, sosial, dan dipersonalisasi yang diharapkan pengguna saat ini.

Bagaimana cerita di balik KIMO dan apa yang menarik Anda untuk memecahkan masalah pembelajaran online?

Tentu! KIMO dimulai ketika Krishna, co-founder saya, dan saya bertemu di Harvard Business School. Kami menyukai lingkungan tersebut, tetapi menyadari bahwa bagian-bagian yang baik dari pengalaman tersebut tidak dapat diskalakan untuk orang-orang di seluruh dunia. Kami memutuskan untuk menciptakan “pelatih karir digital”. Itulah versi pertama dari KIMO.

Bagaimana AI dapat digunakan untuk menghasilkan jalur pembelajaran individu melalui konten pembelajaran digital?

Sebenarnya, KIMO menggunakan banyak model kecerdasan buatan dalam pipa. Beberapa model sederhana, yang lain lebih kompleks. Benang merah yang umum adalah bahwa sebagian besar model bergantung pada bahasa alami sebagai data input (NLP, misalnya model transformer). Model-model ini berada di balik rekomendasi konten yang Anda terima, pengelompokan konten ke dalam topik tertentu, atau mengenali keterampilan kritis yang diperlukan untuk pekerjaan. Kami juga memiliki beberapa model kecerdasan buatan “generatif” yang lebih eksperimental, seperti model yang menjawab pertanyaan terkait konten di dalam aplikasi KIMO. Jika ini berhasil dengan cukup baik, ini adalah langkah lebih dekat ke arah otomatisasi profesor yang kami bayangkan.

Bagaimana sistem kecerdasan buatan dapat belajar untuk memahami pekerjaan dengan detail (misalnya keterampilan keras atau keterampilan lunak)?

Dalam istilah sederhana: kami memutuskan untuk mengabaikan database yang ada (O*Net, ESCO) untuk pekerjaan ini karena tidak cukup rinci dan sudah kuno. Sebagai gantinya, kami membangun sistem yang dapat mengenali sekitar 40.000 keterampilan dalam pekerjaan di pasar dengan cara hampir waktu nyata. Anda bisa mengatakan bahwa sistem kami “membaca” semua profil pekerjaan ini untuk memprediksi keterampilan apa yang saat ini diperlukan untuk pekerjaan tersebut. Keterampilan yang dikenali kemudian dikelompokkan menjadi keterampilan lunak dan keterampilan keras.

Bagaimana pembelajaran yang dipersonalisasi bekerja pada platform, seperti bagaimana sistem akan mengetahui jenis konten yang paling efektif untuk setiap pengguna seperti artikel, video, podcast, makalah, dan lain-lain?

Jawaban sederhana adalah bahwa kami mencocokkan pengguna dan konten melalui pencocokan vektor, yang merupakan praktik umum dalam model rekomendasi. Bagian yang lebih sulit adalah menentukan bagaimana vektor-vektor tersebut dibangun, dengan kata lain, apa elemen yang diberi bobot. Untuk saat ini, sistem kami relatif sederhana dan bekerja dengan preferensi pembelajaran pengguna dan skor popularitas untuk bahan online. Masa depan akan lebih menarik, karena kami mencoba memasukkan keadaan saat ini pengguna (misalnya pekerjaannya) dan keadaan akhir yang diinginkan.

Apa saja metode pembelajaran mesin yang saat ini digunakan dalam sistem KIMO?

Kami menggunakan banyak model yang berbeda, tergantung pada tugasnya. Tapi saya bisa mengatakan bahwa kami memiliki cinta yang mendalam untuk model NLP yang menggunakan perhatian, sehingga model transformer.

Di mana Anda melihat masa depan pendidikan online dalam 5 tahun?

Singkatnya, saya melihat pendidikan online bergerak dari “membosankan, sunyi, dan satu-ukuran-untuk-semua” menjadi “sangat menarik, sosial, dan dipersonalisasi”. Perusahaan pendidikan online perlu keluar dari gagasan bahwa mereka ada di industri tradisional yang lambat. Sebaliknya, mereka harus menyadari bahwa mereka bersaing di era kurasi informasi, tepat di jantung banyak tren penting saat ini.

Apakah ada yang ingin Anda bagikan tentang KIMO?

Ya. KIMO masih bayi, atau ‘beta’ seperti yang kami sebut. Unduh aplikasi, coba, dan kirimkan umpan balik Anda!

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi KIMO.