렌스 터 바위데, KIMO의 공동 창립자 및 CEO – 인터뷰 시리즈

KIMO는 두 명의 하버드 대학교 출신인 크리슈나 디파크 날라밀리(인도)와 렌스 터 바위데(네덜란드)가 공동 창립한 네덜란드의 스타트업입니다. 팀은 디지털 학습 콘텐츠를 통해 개인화된 학습 경로를 생성하는 인공지능을 구축하는 데 중점을 두고 있습니다.

온라인 학습이 발전하고 있지만, 중도 탈락률이 95%에 달합니다. 성공률이 इतन 낮은 이유는 무엇입니까?

우리가 KIMO를 시작했을 때, 우리는 몇 백 명의 사용자에게 설문조사를 실시하여 상황을 더 잘 이해하려고 했습니다. 첫째, 대부분의 온라인 제공업체는 MOOC(온라인 강의)를 제공하지만, 사용자는 MOOC를 상당한 시간 투자로 인식합니다. 그들은 종종 더 짧은 작업을 사용하기 위해 기사 읽기, 팟캐스트 듣기, 구글에서 질문하기 등으로 학습을 더 다채롭게 합니다. 따라서 학습은 이러한 제공업체가 허용하는 것보다 더 다채롭습니다. 또한, 많은 사용자가 온라인 여정에서 지침을 놓쳤다고 表示했습니다. 결과적으로, 그들은 많은 시간을 검색하고, 무엇을 공부해야 할지 결정하려고 노력합니다. 세 번째 이유는 실제 콘텐츠의 관련성과 관련이 있습니다. 온라인 자료는 종종 정적이고, 미리 녹화되어 있으며, 사용자에게 완전히 관련이 없습니다. 즉, 콘텐츠가 사용자에게 개인화되거나 관련이 없거나, 투자한 시간을 정당화하지 못합니다.

많은 사용자가 지루함을 느끼고, 참여 부족을 문제로 지적합니다. 사용자가 온라인 학습에 대해 소외감을 느끼는 이유는 무엇입니까?

저는 두 가지 주요 차원에서 학습 플랫폼을 개선할 수 있는 여지가 있다고 생각합니다. 첫째, 사용자에게 더 나은 여행을 안내하고, 더 나은 콘텐츠 추천을 제공하기 위해 더 나은 지능이 필요합니다. 이것은 교육 부문의 필수적인 연구 개발이며, 인공지능 알고리즘과密接 관련이 있습니다. 두 번째 요소는 가치 사슬의 다른側面입니다. 즉, 사용자 경험과 최종 경험입니다. 대부분의 LMS 시스템은 사용자에게 노동적이고 구식으로 보입니다. 그들은 오늘날 사용자가 기대하는 정교한, 실시간, 소셜, 개인화된 소프트웨어와는 거리가 멉니다.

KIMO의 기원과 온라인 학습 문제를 해결하기로 결정한 경위를 알려주세요.

네! KIMO는 크리슈나, 공동 창립자와 제가 하버드 비즈니스 스쿨에서 만났을 때 시작되었습니다. 우리는 그 환경을 좋아했지만, 동시에 좋은 부분이 전 세계에 확장되지 않는다는 것을 깨달았습니다. 우리는 호텔 로비에서 위스키를 마시면서 디지털 경력 코치를 만들기로 결정했습니다. 그 코치는 KIMO의 첫 번째 버전이었습니다.

디지털 학습 콘텐츠를 통해 개인화된 학습 경로를 생성하는 데 필요한 인공지능에 대해 설명해 주세요.

사실, KIMO는 파이프라인에서 다수의 인공지능 모델을 사용합니다. 일부 모델은 본질적으로 간단하지만, 다른 모델은 더 복잡합니다. 공통점은 대부분의 모델이 자연어를 입력 데이터로 사용한다는 것입니다(예: 트랜스포머 모델). 이러한 모델은 콘텐츠 추천, 콘텐츠 클러스터링, 중요 스킬 인식 등에 사용됩니다. 또한, 일부 실험적인 ‘생성’ 인공지능 모델도 있습니다. 예를 들어, KIMO 앱 내에서 콘텐츠 관련 질문에 답변하는 모델이 있습니다. 이러한 모델이 충분히 작동한다면, 우리가 상상하는 교수자 자동화에 한 걸음 더 다가갈 것입니다.

인공지능 시스템이 직업을 세부적으로 이해하는 방법(예: 하드 스킬, 소프트 스킬)에 대해 설명해 주세요.

간단히 말해서, 우리는 기존 데이터베이스(O*Net, ESCO)를 무시하고, 대신 약 40,000개의 스킬을 실시간으로 인식할 수 있는 시스템을 구축했습니다. 즉, 우리의 시스템은 이러한 직업 프로필을 ‘읽어’서 현재 직업에 필요한 스킬을 예측합니다. 이러한 스킬은 나중에 하드 스킬과 소프트 스킬로 클러스터링됩니다.

플랫폼에서 개인화된 학습이 어떻게 작동하는지, 즉 시스템이 각 사용자에게 어떤 콘텐츠가 가장 잘 작동하는지 설명해 주세요.

간단한 대답은 사용자와 콘텐츠를 벡터 매칭을 통해 연결한다는 것입니다. 이는 추천 모델에서 일반적인 관행입니다. 더 어려운 부분은 이러한 벡터를 어떻게 구축하는지 결정하는 것입니다. 즉, 어떤 요소가 가중치에 반영되는지 결정하는 것입니다. 현재, 시스템은 상대적으로 간단하며 사용자의 학습 선호도와 온라인 자료의 인기 점수를 사용합니다. 미래에는 사용자의 현재 상태(예: 직업)와 원하는 최종 상태를 고려하여 가중치를 부여하려고 합니다.

KIMO 시스템에서 현재 사용되는 기계 학습 방법론에 대해 설명해 주세요.

우리는 다양한 모델을 사용하지만, 주목할 만한 것은 트랜스포머 모델을 사용하는 것입니다.

5년 후 온라인 교육의 미래는 어떻게 될까요?

간단히 말해서, 온라인 교육은 ‘지루하고, 외로운, 일률적인’ 것에서 ‘높은 참여도, 社交性, 개인화’된 것으로 발전할 것입니다. 온라인 교육 기업은 전통적인, 느린 산업에 속한다는 생각을 버려야 합니다. 대신, 정보 큐레이션의 시대에 속한 많은 중요한 트렌드의 중심에 있는 경쟁을 인식해야 합니다.

KIMO에 대해 더 공유하고 싶은 것이 있나요?

네, KIMO는 아직 아기나, ‘베타’라고 부를 수 있습니다. 앱을 다운로드하여 사용해 보시고, 피드백을 보내주세요!

감사합니다. 인터뷰를 원하는 독자는 KIMO를 방문하여 더 많은 정보를 얻을 수 있습니다.