Rens ter Weijde, KIMO의 공동 창립자 및 CEO – 인터뷰 시리즈

KIMO는 두 명의 하버드 대학교 출신인 Krishna Deepak Nallamilli(인도)와 Rens ter Weijde(네덜란드)가 공동 창립한 네덜란드의 스타트업입니다. 팀은 디지털 학습 콘텐츠를 통해 개인화된 학습 경로를 생성하는 인공지능을 구축하는 데 집중하고 있습니다.

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

KIMO를 시작할 때, 우리는 몇백 명의 사용자를 조사하여 상황을 더 잘 이해하기 위해 노력했습니다. 먼저, 대부분의 온라인 제공업체는 MOOC(온라인 강의)를 제공하지만, 사용자는 MOOC를 상당한 시간 투자로 인식합니다. 그들은 종종 더 짧은 작업을 사용하여 학습을 더 잘 맞추려고 노력합니다. 예를 들어, 기사를 읽거나, 팟캐스트를 듣거나, 구글에서 질문을 하는 등입니다. 이러한 학습은 제공업체가 허용하는 것보다 더 다채롭습니다. 또한 많은 사용자가 온라인 학습에서 지침이 부족하다고 느끼고 있습니다. 결과적으로, 그들은 무엇을 공부해야 할지 결정하기 위해 많은 시간을浪費합니다. 세 번째 이유는 실제 콘텐츠의 관련성과 관련이 있습니다. 온라인 자료는 정적이고, 미리 녹화되어 있으며, 사용자에게 완전히 관련이 없습니다. 사용자가 투자한 시간을 정당화하기에 충분히 개인화되거나 관련성이 없는 콘텐츠라고 할 수 있습니다.

많은 사용자가 지루함을 느끼고, 학습에 대한 관심 부족을 문제로 지적합니다. 온라인 학습에서 사용자가 왜 소외감을 느끼는지 생각하시는 이유는 무엇입니까?

학습 플랫폼을 더 좋게 만드는 데에는 최소한 두 가지 주요 차원이 있습니다. 첫째, 사용자의 여정을 더 잘 안내하고, 더好的 콘텐츠 추천을 제공하기 위한 더好的 지능이 필요합니다. 이것은 교육 부문의 필수적인 연구 개발입니다. 두 번째 요소는 가치 사슬의 다른 쪽입니다. 즉, 사용자에게 최종 경험을 제공하는 UI/UX입니다. 대부분의 LMS 시스템은 사용자에게 지루하고 구식으로 보입니다. 사용자가 오늘날 기대하는 것과는 거리가 먼 것입니다.

KIMO의 기원과 온라인 학습 문제를 해결하기로 결정한 이유를 공유해 주시겠습니까?

네! KIMO는 크리슈나, 공동 창립자, 그리고 내가 하버드 비즈니스 스쿨에서 만났을 때 시작되었습니다. 우리는 그 환경을 좋아했지만, 동시에 좋은 부분은 전 세계 사람들에게 확장할 수 없다는 것을 깨달았습니다. 우리는 호텔 로비에서 위스키를 마시면서 ‘디지털 경력 코치’를 만들 수 있다고 결정했습니다. 그 코치는 KIMO의 첫 번째 버전이었습니다.

디지털 학습 콘텐츠를 통해 개인화된 학습 경로를 생성하는 데 필요한 인공지능에 대해 논의해 주시겠습니까?

사실, KIMO는 파이프라인에 다수의 인공지능 모델을 사용합니다. 일부 모델은 본질적으로 간단하고, 다른 일부는 더 복잡합니다. 공통점은 대부분의 모델이 자연어를 입력 데이터로 사용한다는 것입니다(NLP, 예를 들어 트랜스포머 모델). 이러한 모델은 콘텐츠 추천, 콘텐츠 클러스터링, 또는 작업에 필요한 중요한 기술을 인식하는 데 사용됩니다. 우리는 또한 콘텐츠 관련 질문에 답변하는 ‘생성’ AI 모델과 같은 더 실험적인 모델을 가지고 있습니다. 이러한 모델이 충분히 작동한다면, 그것은 우리가 상상하는 교수자 자동화의 한 단계 더 가까이 다가가는 것입니다.

인공지능 시스템이 작업의 세부 사항(예: 하드 스킬, 소프트 스킬)을 이해하는 방법에 대해 자세히 설명해 주시겠습니까?

간단히 말해서, 우리는 기존 데이터베이스(O*Net, ESCO)를 무시하고, 대신에 시스템을 구축하여 시장에서 약 40,000개의 기술을 거의 실시간으로 인식할 수 있습니다. 시스템은 작업 프로필을 ‘읽어’서 작업에 필요한 기술을 예측합니다. 이러한 기술은 나중에 하드 스킬과 소프트 스킬로 클러스터링됩니다.

플랫폼에서 개인화된 학습이 어떻게 작동하는지, 즉 시스템이 사용자에게 가장 적합한 콘텐츠(예: 기사, 비디오, 팟캐스트, 논문 등)를 어떻게 결정하는지 설명해 주시겠습니까?

간단한答案은 사용자와 콘텐츠를 벡터 매칭을 통해 연결한다는 것입니다. 이는 추천 모델에서 일반적인 관행입니다. 더 어려운 부분은 이러한 벡터가 어떻게 구성되는지 결정하는 것입니다. 즉, 어떤 요소가 가중치가 되는지입니다. 현재 시스템은 상대적으로 간단하며, 사용자의 학습 선호도와 온라인 자료의 인기 점수를 사용합니다. 미래는 더 흥미로울 것입니다. 우리는 사용자의 현재 상태(예: 직업)와 원하는 최종 상태를 고려하려고 노력하고 있습니다.

KIMO 시스템에서 사용되는 현재 기계 학습 방법론 중 일부를 설명해 주시겠습니까?

우리는 여러 가지 모델을 사용하지만, 주목할 만한 것은 트랜스포머 모델을 사용하는 NLP 모델을 좋아한다는 것입니다.

5년 후 온라인 교육의 미래를 어떻게 보시나요?

간단히 말해서, 온라인 교육은 ‘지루하고, 외로운, 그리고 일률적인’ 것에서 ‘매우 흥미롭고, 사회적이고, 개인화된’ 것으로 발전할 것입니다. 온라인 교육 회사들은 전통적인, 느린 산업에 속한다는 생각을 벗어나야 합니다. 대신, 정보 큐레이션의 시대에 속한 중요한 트렌드의 중심에서 경쟁한다는 것을 깨달아야 합니다.

KIMO에 대해 더 공유하고 싶은 내용이 있습니까?

네. KIMO는 아직 아기, 또는 ‘베타’ 버전입니다. 앱을 다운로드하여 사용해 보시고, 피드백을 보내주세요!

감사합니다. 더 많은 정보를 원하는 독자는 KIMO를 방문하시기 바랍니다.