Rens ter Weijde, medgrundare och VD för KIMO – Intervjuserie

KIMO är ett nederländskt startup-bolag grundat av två Harvard-alumner: Krishna Deepak Nallamilli (Indien) och Rens ter Weijde (Nederländerna). Teamet fokuserar på att bygga den artificiella intelligens som behövs för att generera individuella läroplaner genom digitalt inlärningsinnehåll.

Medan onlineinlärning har tagit fart, har den också höga avbrottsfrekvenser på upp till 95%. Varför är framgångsfrekvensen så låg?

När vi startade KIMO, genomförde vi en undersökning bland ett par hundra användare för att bättre förstå situationen. Först och främst tillhandahåller de flesta onlineleverantörer MOOC (onlinekurser), men användarna uppfattar MOOC som ett betydande tidsåtagande. De skulle ofta använda många “kortare” lösningar, som att läsa artiklar, lyssna på poddsändningar, ställa frågor på Google (GOOGL ) etc., vilket bättre passar deras dagliga schema. Så inlärningen är mer flerkanalig i praktiken än vad dessa leverantörer tillåter. Dessutom uttryckte många användare att de saknade vägledning i sin onlineresa. Resultatet är att de lägger mycket tid på att söka, försöka bestämma vad de ska studera etc. En tredje anledning handlar om innehållets relevans. Online-material är ofta statiska, förinspelade och inte tillräckligt relevanta för dem. Man kan säga att innehållet inte är tillräckligt personligt/relevant för dem – eller åtminstone inte relevant nog för att motivera den tid som läggs.

Många användare hävdar att de är uttråkade och nämner ofta brist på engagemang som ett problem. Varför tror du att användare känner sig fråntagna onlineinlärning?

Jag tror att det finns utrymme att förbättra läroplattformarna på minst två viktiga områden. Först och främst krävs bättre intelligens för att vägleda användarna på bättre resor och ge bättre innehållsrekommendationer. Man kan säga att detta är den nödvändiga forskningen och utvecklingen för utbildningssektorn, som är starkt relaterad till AI-algoritmer. Det andra elementet är den andra sidan av värdekedjan: användargränssnittet och den slutliga upplevelsen för användarna. De flesta LMS-system uppfattas som tråkiga och föråldrade av användarna. De är långt ifrån den polerade, realtidsbaserade, sociala och personliga programvaran som användarna förväntar sig idag.

Kan du dela med dig av KIMOs ursprungshistoria och vad som lockade dig att lösa problemet med onlineinlärning?

Självklart! KIMO började när Krishna, min medgrundare, och jag möttes på Harvard Business School. Vi älskade miljön, men insåg samtidigt att de bra delarna av upplevelsen inte var skalbara för människor över hela världen. Vi bestämde oss över en whisky i en hotelllobby att vi kunde försöka skapa en “digital karriärcoach”. Den coachen var den första versionen av KIMO.

Kan du diskutera hur AI behövs för att generera individuella läroplaner genom digitalt inlärningsinnehåll?

I själva verket förlitar sig KIMO på en mängd AI-modeller i pipelinen. Vissa modeller är medfött enkla, medan andra är mer komplexa. Det gemensamma tråden är att de flesta modellerna förlitar sig på naturligt språk som indata (NLP, t.ex. transformermodeller). Dessa modeller ligger bakom innehållsrekommendationerna du får, gruppering av innehåll i specifika ämnen eller erkänning av de kritiska färdigheter som krävs för jobb. Vi har också några mer experimentella “generativa” AI-modeller, som modellen som svarar på innehållsrelaterade frågor inom KIMO-appen. Om detta fungerar tillräckligt bra, är det ett steg närmare automatiseringen av professorer som vi föreställer oss.

Kan du förklara hur ett AI-system kan lära sig att förstå jobb i stor detalj (t.ex. hårda färdigheter eller mjuka färdigheter)?

I enkla termer: vi beslutade att ignorera befintliga databaser (O*Net, ESCO) för detta arbete, eftersom de inte var tillräckligt detaljerade och föråldrade. Istället byggde vi ett system som kan känna igen ~40 000 färdigheter inom jobb på marknaden på nästan realtid. Man kan säga att vårt system “läser” alla dessa jobbprofiler för att förutsäga vilka färdigheter som för närvarande krävs för jobben. Dessa erkända färdigheter grupperas sedan i mjuka och hårda färdigheter.

Kan du diskutera hur personlig inlärning fungerar på plattformen, som hur systemet kommer att veta vilken typ av innehåll som fungerar bäst för varje användare, som artiklar, videor, poddsändningar, papper etc.?

Det enkla svaret är att vi matchar användare och innehåll genom vektormatchning, som är en vanlig praxis i rekommendationsmodeller. Den svårare delen är att bestämma hur dessa vektorer byggs upp, det vill säga vilka element som vägs in. För tillfället är systemet relativt enkelt och fungerar med användarnas inlärningspreferenser och popularitetspoäng för online-material. Framtiden kommer att bli mer intressant, eftersom vi försöker väga in användarens nuvarande tillstånd (t.ex. deras jobb) och det önskade slutläget.

Vilka är några av de nuvarande maskinlärningsmetoderna som används i KIMO-systemet?

Vi använder många olika modeller, beroende på uppgiften. Men jag kan säga att vi har en djup kärlek till NLP-modeller som använder uppmärksamhet, alltså transformermodeller.

Var ser du onlineutbildningens framtid om 5 år?

I korthet ser jag onlineutbildning röra sig från “tråkig, ensam och en-storlek-passar-alla” till “mycket engagerande, social och personlig”. Onlineutbildningsföretag måste fly från idén att de existerar i en traditionell, långsam bransch. Istället bör de inse att de konkurrerar i informationscuration, mitt i hjärtat av många viktiga trender idag.

Finns det något annat du vill dela om KIMO?

Ja. KIMO är fortfarande ett barn, eller “beta” som vi kallar det. Ladda ner appen, prova den och skicka oss din feedback!

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka KIMO.