任斯特威杰，KIMO联合创始人兼CEO – 采访系列

KIMO是一个荷兰初创公司，由两位哈佛大学校友创立：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，但其放弃率却高达95%。为什么成功率这么低?

当我们开始KIMO时，我们调查了几百名用户，以便更好地了解这种情况。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、在谷歌上提问等，这些更适合他们的日程安排。因此，学习在实践中比这些提供商允许的更为多渠道。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。第三个原因与实际内容的相关性有关。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相关性不足，或者至少不够相关，无法证明他们花费的时间是合理的。

许多用户声称感到无聊，并经常提到缺乏参与度的问题，为什么您认为用户会对在线学习感到失望?

我相信在至少两个主要方面，学习平台可以变得更好。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。可以说这是教育部门所需的研发，与人工智能算法密切相关。第二个方面是价值链的另一端：UI/UX和用户的最终体验。大多数LMS系统被用户视为枯燥和过时的。它们远远不能达到用户今天所期望的精致、实时、社交和个性化的软件水平。

您能分享KIMO的起源故事以及是什么吸引您解决在线学习问题吗?

当然！KIMO开始于我的联合创始人Krishna和我在哈佛商学院相识的时候。我们喜欢这种环境，但同时也意识到这种经历的好处无法扩展到全球各地的人们。我们决定在一个酒店大堂的威士忌酒吧里尝试创建一个“数字职业教练”。那个教练是KIMO的第一个版本。

您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依赖于管道中的多种人工智能模型。一些模型本质上很简单，而其他模型更为复杂。共同的线索是，大多数模型依赖于自然语言作为输入数据（NLP，例如变换器模型）。这些模型支持您收到的内容推荐、内容聚类为特定主题以及识别工作所需的关键技能。我们还有一些更为实验性的“生成性”人工智能模型，例如在KIMO应用程序内回答内容相关问题的模型。如果这能够有效地工作，那将是我们所设想的教授自动化的一个步骤。

您能详细说明人工智能系统如何学习以详细理解工作，包括硬技能和软技能吗?

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已经过时。相反，我们建立了一个可以在几乎实时的方式下识别市场中约40,000项工作技能的系统。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，这些识别的技能被聚类为软技能和硬技能。

您能讨论一下KIMO平台上的个性化学习如何工作，例如系统如何知道哪种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评分。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论有哪些?

我们使用许多不同的模型，具体取决于任务。但我可以说，我们非常喜欢使用注意力机制的NLP模型，即变换器模型。

您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、缓慢行业的想法。相反，他们应该意识到自己实际上处于信息策展的时代，这是许多重要趋势的核心。

您是否还有其他想分享的关于KIMO的信息?

是的。KIMO仍然是一个“婴儿”，或者说是“测试版”。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可以访问KIMO。