Rens ter Weijde, KIMO 的联合创始人和 CEO – 采访系列

KIMO 是一家由两位哈佛校友创立的荷兰初创公司：Krishna Deepak Nallamilli（印度）和 Rens ter Weijde（荷兰）。该团队专注于构建人工智能，以生成个性化的学习路径，通过数字学习内容。

在线学习已经发展起来，但它的成功率却很低，最高达 95% 的放弃率。为什么成功率这么低？

当我们开始创建 KIMO 时，我们调查了几百名用户，以便更好地了解情况。首先，大多数在线提供商提供 MOOC（在线课程），但用户认为 MOOC 需要大量的时间投入。他们经常使用“更短”的捷径，例如阅读文章、收听播客、在 Google 上提问等，这些更适合他们的日程安排。因此，学习在实践中更为多渠道化，而不是这些提供商允许的那样。此外，许多用户表示，他们在在线学习中缺乏指导。结果是，他们花费了大量时间搜索、尝试决定学习什么等。第三个原因与内容的相关性有关。在线材料通常是静态的、预先录制的，并不完全适合他们。可以说，这些内容对于他们来说不够个人化或不够相关，或者至少不够相关，以至于不能证明花费时间的价值。

许多用户声称感到无聊，并经常提到缺乏参与度是问题所在，你为什么认为用户会对在线学习感到失望？

我认为有两个主要维度可以使学习平台变得更好。首先，需要更好的智能来引导用户进行更好的学习旅程，并提供更好的内容推荐。可以说，这是教育领域所需的研发，与人工智能算法密切相关。第二个元素是价值链的另一侧：用户界面和用户体验。最终，用户体验。目前，大多数学习管理系统被用户认为是枯燥和过时的。它们远远不是用户今天所期望的精致、实时、社交和个性化的软件。

你能分享 KIMO 的创立故事以及是什么吸引你解决在线学习问题吗？

当然！KIMO 的创立始于我的联合创始人 Krishna 和我在哈佛商学院相识。我们喜欢那里的环境，但同时也意识到，好的部分并不能扩展到全球各地的人们。我们决定在一家酒店的大堂里喝威士忌，尝试创建一个“数字职业教练”。那个教练就是 KIMO 的第一个版本。

你能讨论一下如何使用人工智能生成个性化的学习路径，通过数字学习内容吗？

事实上，KIMO 在管道中依赖于多种人工智能模型。有些模型本质上很简单，而其他模型更复杂。共同点是，大多数模型依赖于自然语言作为输入数据（NLP，例如变压器模型）。这些模型支持您收到的内容推荐、内容聚类到特定主题或识别工作所需的关键技能。我们还有一些更实验性的“生成”人工智能模型，例如在 KIMO 应用程序内部回答内容相关问题的模型。如果这能够有效地工作，那么这将是我们所设想的教授自动化的一个步骤。

你能详细说明一下人工智能系统如何学习以详细理解工作（例如，硬技能或软技能）吗？

简单来说，我们决定忽略现有的数据库（O*Net，ESCO）用于这项工作，因为它们不够详细且过时。相反，我们建立了一个可以在几乎实时的方式下识别出市场中约 40,000 项技能的系统。可以说，我们的系统“阅读”所有这些工作简介，以预测当前工作所需的技能类型。然后，这些识别出的技能被聚类为软技能和硬技能。

你能讨论一下 KIMO 平台上的个性化学习如何工作，例如系统如何知道什么类型的内容最适合每个用户，例如文章、视频、播客、论文等？

简单的答案是，我们通过向量匹配将用户和内容匹配起来，这是推荐模型中的常见做法。更难的部分是决定如何构建这些向量，即权重哪些元素。目前，系统相对简单，使用用户的学习偏好和在线材料的流行度。未来将会更有趣，因为我们正在尝试权衡用户的当前状态（例如，他们的工作）和期望的最终状态。

目前 KIMO 系统中使用的机器学习方法是什么？

我们使用多种模型，具体取决于任务。但我可以说，我们对使用注意力的 NLP 模型有着深厚的爱好，即变压器模型。

你如何看待在线教育在 5 年后的未来？

简而言之，我认为在线教育将从“枯燥、孤独和一刀切”的模式转变为“高度吸引人、社交和个性化”的模式。在线教育公司需要摆脱他们存在于传统、行动迟缓的行业中的想法。相反，他们应该意识到自己正在与信息策展的时代竞争，处于今天许多重要趋势的核心。

关于 KIMO，你还想分享什么吗？

是的。KIMO 仍然是一个“婴儿”，或者说是“测试版”，正如我们所说的那样。下载应用程序，试用一下，并向我们发送您的反馈！

感谢这次精彩的采访，希望了解更多的读者应该访问 KIMO。