Rens ter Weijde, Co-Founder & CEO van KIMO – Interview Series

KIMO is een Nederlandse start-up die is opgericht door twee Harvard-alumni: Krishna Deepak Nallamilli (India) en Rens ter Weijde (Nederland). Het team richt zich op het ontwikkelen van de kunstmatige intelligentie die nodig is om individuele leerpaden te genereren via digitale leerinhoud.

Ondanks dat online leren aan populariteit heeft gewonnen, heeft het vaak afhakerspercentages van wel 95%. Waarom is het succespercentage zo laag?

Toen we KIMO startten, hebben we een paar honderd gebruikers ondervraagd om de situatie beter te begrijpen. Ten eerste bieden de meeste online aanbieders MOOC’s (online cursussen) aan, maar gebruikers zien MOOC’s als een aanzienlijke tijdsinvestering. Ze zouden vaak ‘kortere’ werk-arounds gebruiken, zoals artikelen lezen, naar podcasts luisteren, vragen stellen op Google enz., die beter aansluiten bij hun dagelijkse schema. Dus leren is in de praktijk meer multi-channel dan deze aanbieders toelaten. Bovendien gaven veel gebruikers aan dat ze leiding misten in hun online reis. Het resultaat is dat ze veel tijd besteden aan zoeken, proberen te beslissen wat te studeren enz. Een derde reden heeft te maken met de relevantie van de daadwerkelijke inhoud. Online materiaal is vaak statisch, vooraf opgenomen en niet volledig relevant voor hen. Je zou kunnen zeggen dat de inhoud niet persoonlijk/relevant genoeg is voor hen – of in ieder geval niet relevant genoeg om de bestede tijd te rechtvaardigen.

Veel gebruikers claimen zich te vervelen en noemen vaak een gebrek aan betrokkenheid als een probleem, waarom denk je dat gebruikers zich niet betrokken voelen bij online leren?

Ik geloof dat er ruimte is om leerplatforms op ten minste twee belangrijke dimensies te verbeteren. Ten eerste is betere intelligentie nodig om gebruikers op betere reizen te begeleiden en betere inhoudsaanbevelingen te doen. Je zou kunnen zeggen dat dit het vereiste onderzoek en ontwikkeling is voor de onderwijssector, zwaar gerelateerd aan AI-algoritmen. Het tweede element is de andere kant van de waardeketen: de UI/UX en de eindervaring voor gebruikers. De meeste LMS-systemen worden door gebruikers gezien als saai en verouderd. Ze zijn ver verwijderd van de gepolijste, real-time, sociale en gepersonaliseerde software die gebruikers vandaag verwachten.

Kun je het verhaal achter KIMO delen en wat je aantrekt om het online leerprobleem op te lossen?

Ja! KIMO begon toen Krishna, mijn mede-oprichter, en ik elkaar ontmoetten op de Harvard Business School. We hielden van de omgeving, maar realiseerden ons tegelijkertijd dat de goede delen van de ervaring niet schaalbaar waren voor mensen over de hele wereld. We besloten over een whisky in een hotellobby dat we een ‘digitale carrièrecoach’ konden proberen te maken. Die coach was de eerste versie van KIMO.

Kun je bespreken hoe AI nodig is om individuele leerpaden te genereren via digitale leerinhoud?

In feite vertrouwt KIMO op een veelvoud aan AI-modellen in de pijplijn. Sommige modellen zijn inherent eenvoudig, anderen zijn complexer. Het gemeenschappelijke draad is dat de meeste modellen afhankelijk zijn van natuurlijke taal als hun invoergegevens (NLP, bijv. transformatiemodellen). Deze modellen zijn verantwoordelijk voor de inhoudsaanbevelingen die je ontvangt, de clustering van inhoud in specifieke onderwerpen, of het herkennen van de kritieke vaardigheden die nodig zijn voor banen. We hebben ook enkele meer experimentele ‘generatieve’ AI-modellen, zoals het model dat de inhoud-gerelateerde vragen binnen de KIMO-app beantwoordt. Als dit voldoende werkt, is het een stap dichter bij de automatisering van professoren die we voor ogen hebben.

Kun je uitleggen hoe een AI-systeem kan leren om banen in grote detail te begrijpen (bijv. harde vaardigheden, of zachte vaardigheden)?

In eenvoudige bewoordingen: we besloten om bestaande databases (O*Net, ESCO) voor dit werk te negeren, omdat ze niet gedetailleerd genoeg waren en verouderd. In plaats daarvan bouwden we een systeem dat ~40.000 vaardigheden binnen banen op de markt in bijna real-time kan herkennen. Je zou kunnen zeggen dat ons systeem ‘leest’ al deze baanprofielen om te voorspellen welke vaardigheden momenteel nodig zijn voor de banen. Die herkende vaardigheden worden later gegroepeerd in zachte en harde vaardigheden.

Kun je bespreken hoe gepersonaliseerd leren werkt op het platform, zoals hoe het systeem weet welk type inhoud het beste werkt voor elke gebruiker, zoals artikelen, video’s, podcasts, papers enz.?

Het eenvoudige antwoord is dat we gebruikers en inhoud koppelen via vector-matching, wat een gebruikelijke praktijk is in aanbevelingsmodellen. Het moeilijkere deel is om te beslissen hoe die vectoren zijn opgebouwd, met andere woorden, welke elementen zijn gewogen. Voor nu is het systeem relatief eenvoudig en werkt het met de leerpreferenties van de gebruiker en populariteitsscores voor online materiaal. De toekomst zal interessanter zijn, omdat we proberen om de huidige staat van de gebruiker (bijv. hun baan) en de gewenste eindstaat te wegen.

Wat zijn enkele van de huidige machine learning-methodologieën die worden gebruikt in het KIMO-systeem?

We gebruiken veel verschillende modellen, afhankelijk van de taak. Maar ik kan zeggen dat we een diepe liefde hebben voor NLP-modellen die aandacht gebruiken, dus transformatiemodellen.

Waar zie je de toekomst van online onderwijs in 5 jaar?

Kort gezegd, zie ik online onderwijs veranderen van ‘saai, eenzaam en voor iedereen hetzelfde’ naar ‘hoogst engagement, sociaal en gepersonaliseerd’. Online onderwijsbedrijven moeten ontsnappen aan het idee dat ze bestaan in een traditionele, langzame industrie. In plaats daarvan moeten ze beseffen dat ze concurreren in de leeftijd van informatiecuration, recht in het hart van veel belangrijke trends vandaag.

Is er nog iets dat je wilt delen over KIMO?

Ja. KIMO is nog een baby, of ‘beta’ zoals we het noemen. Download de app, probeer het uit en stuur ons uw feedback!

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten KIMO bezoeken.