Rens ter Weijde, medgrunnlegger og CEO av KIMO – Intervju-serie

KIMO er et nederlandsk startup som er grunnlagt av to Harvard-alumni: Krishna Deepak Nallamilli (India) og Rens ter Weijde (Nederland). Teamet fokuserer på å bygge den kunstige intelligensen som trengs for å generere individuelle læringsstier gjennom digitalt læringsinnhold.

Mens nettbasert læring har tatt av, har den likevel svært høye frafallsrater, opptil 95%. Hvorfor er suksessraten så lav?

Da vi startet KIMO, utførte vi en undersøkelse blant noen hundre brukere for å forstå situasjonen bedre. Først og fremst tilbyr de fleste nettbaserte leverandører MOOC-er (nettkurs), men brukerne oppfatter MOOC-er som en betydelig tidsinvestering. De ville ofte bruke mange “kortere” løsninger, som å lese artikler, lytte til podcaster, stille spørsmål på Google (GOOGL ) osv., som bedre passer deres daglige timeplan. Så læring er mer flerkanals i praksis enn disse leverandørene tillater. I tillegg uttrykte mange brukere at de savnet veiledning på sin nettbaserte reise. Resultatet er at de bruker mye tid på å søke, prøve å bestemme hva de skal studere osv. En tredje årsak handler om relevansen av det faktiske innholdet. Nettmateriale er ofte statisk, forhåndsinnspilt og ikke fullt ut relevant for dem. Du kunne si at innholdet ikke er personlig/relevant nok for dem – eller i hvert fall ikke relevant nok til å rettferdiggjøre tiden som brukes.

Mange brukere hevder å være kjedelige og nevner ofte mangel på engasjement som et problem. Hvorfor tror du at brukerne føler seg frakoblet nettbasert læring?

Jeg tror det er rom for å gjøre læringsplattformene bedre på minst to viktige områder. Først og fremst er bedre intelligens nødvendig for å guide brukerne på bedre reiser og gi bedre innholdsanbefalinger. Du kunne si at dette er det nødvendige FoU-arbeidet for utdanningssektoren, som er sterkt knyttet til AI-algoritmer. Det andre elementet er den andre siden av verdikjeden: UI/UX og den endelige brukeropplevelsen. De fleste LMS-systemer sees på som kjedelige og foreldede av brukerne. De er langt fra den polerte, sanntids-, sosiale og personlige programvaren som brukerne forventer i dag.

Kunne du dele historien bak KIMO og hva som tiltrekket deg til å løse nettbasert læringsproblem?

Ja! KIMO startet da Krishna, min medgrunnlegger, og jeg møttes på Harvard Business School. Vi elsket miljøet, men innser samtidig at de gode delene av opplevelsen ikke var skalerbare til mennesker over hele verden. Vi bestemte oss over en whisky i en hotelllobby at vi kunne prøve å skape en “digital karriereveileder”. Den veilederen var den første versjonen av KIMO.

Kan du diskutere hvordan AI er nødvendig for å generere individuelle læringsstier gjennom digitalt læringsinnhold?

I virkeligheten er KIMO avhengig av en rekke AI-modeller i pipeline. Noen modeller er inherent enkle, andre er mer komplekse. Det felles tråden er at de fleste modellene er avhengige av naturlig språk som innputtdata (NLP, f.eks. transformermodeller). Disse modellene ligger bak innholdsanbefalingene du mottar, gruppering av innhold i bestemte emner eller gjenkjenning av kritiske ferdigheter som kreves for jobber. Vi har også noen mer eksperimentelle “generative” AI-modeller, som modellen som besvarer innhold-relaterte spørsmål i KIMO-appen. Hvis dette fungerer tilstrekkelig, er det et skritt nærmere automatiseringen av professorer som vi forestiller oss.

Kan du utdype hvordan et AI-system kan lære å forstå jobber i stor detalj (f.eks. harde ferdigheter eller myke ferdigheter)?

På enkel måte bestemte vi oss for å ignorere eksisterende databaser (O*Net, ESCO) for dette arbeidet, da de ikke var detaljerte nok og foreldede. I stedet bygde vi et system som kan gjenkjenne ~40 000 ferdigheter i jobber på markedet på en nesten sanntids-måte. Du kunne si at vårt system “leser” alle disse jobbprofilene for å forutsi hva slags ferdigheter som for tiden kreves for jobbene. Disse gjenkjente ferdighetene grupperes senere i myke og harde ferdigheter.

Kan du diskutere hvordan personlig læring fungerer på plattformen, som hvordan systemet vil vite hva slags innhold som fungerer best for hver enkelt bruker, som artikler, videoer, podcaster, papirer osv.?

Det enkle svaret er at vi matcher brukere og innhold gjennom vektor-matching, som er vanlig praksis i anbefalingsmodeller. Den vanskeligere delen er å bestemme hvordan disse vektorene bygges opp, med andre ord, hva elementer som vektlegges. For nå er systemet relativt enkelt og fungerer med brukerens læringspreferanser og popularitetspoeng for nettbasert materiale. Fremtiden vil være mer interessant, da vi prøver å vektlegge brukerens nåværende tilstand (f.eks. deres jobb) og den ønskede slutttilstanden.

Hva er noen av de nåværende maskinlæringsmetodene som brukes i KIMO-systemet?

Vi bruker mange forskjellige modeller, avhengig av oppgaven. Men jeg kan si at vi har en dyp kjærlighet til NLP-modeller som bruker oppmerksomhet, altså transformermodeller.

Hvor ser du fremtiden for nettbasert utdanning om 5 år?

Kort sagt ser jeg nettbasert utdanning gå fra “kjedelig, ensom og en-størrelse-passer-alle” til “høyt engasjerende, sosial og personlig”. Nettbasert utdanningsbedrifter må slippe tanken om at de eksisterer i en tradisjonell, langsomt bevegende bransje. I stedet må de innse at de konkurrerer i informasjonskureringens tidsalder, rett i hjertet av mange viktige trender i dag.

Er det noe annet du ønsker å dele om KIMO?

Ja. KIMO er fortsatt et barn, eller “beta” som vi kaller det. Last ned appen, prøv den ut og send oss din tilbakemelding!

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke KIMO.