Makine öğreniminin vaftiz babası Tom Mitchell: Yapay zeka, uyarlanabilir öğrenmenin itici teknolojisi olacak
AI Technology Review News 15-16 Kasım, "Küresel AI + Akıllı Uyarlanabilir Eğitim Zirvesi", Pekin'deki Kerry Center Hotel'de görkemli bir şekilde açıldı. Zirve, Lei Feng.com ve Yixue Education Squirrel AI ve IEEE (Elektrik ve Elektronik Mühendisleri Enstitüsü) Eğitim Mühendisliği ve Uyarlanabilir Eğitim Standartları Çalışma Grubu ortaklaşa düzenlenir ve yurtiçi ve yurtdışındaki en iyi kadroları bir araya getirir.
Yapay zeka uyarlamalı öğrenme şu anda üç endüstri, üniversite ve araştırma alanında en çok endişe duyulan konulardan biridir. Zirveye, Amerikan Bilimler Akademisi'nden bir akademisyen ve bir makine öğrenimi lideri olan Michael Jordan, makine öğreniminin dünya çapında tanınan babası Tom Mitchell, Stanford Uluslararası Araştırma Enstitüsü (SRI) başkan yardımcısı Robert Pearlstein ve bir Amerikan üniversitesine giriş sınavı kurumu olan ACT Learning Program Group'ta kıdemli bir araştırma bilimcisi olan Michael davet edildi. Yudelson gibi en iyi akademisyenler.
Ayın 16'sı sabahı ana forumda Tom Mitchell harika bir açılış konuşması yaptı. Lei Feng'in AI Technology Review tarafından derlenen konuşmasının içeriği aşağıdadır.
Bence bu 10 yıl, uyarlanabilir öğretim için en iyi 10 yıl, çünkü teknolojilerin olgunlaştığını görmeye başlıyoruz ve giderek daha fazla şirket bu teknolojileri kullanmaya başlıyor.Bu konferansın bu alanda bir dönüm noktası olacağına inanıyorum. .
Bugün sizinle esas olarak birkaç düşünceden bahsetmek istiyorum, içerik esas olarak yapay zekanın uyarlanabilir öğrenmeyle nasıl ilişkilendirilebileceğiyle ilgili.
YouTube'da çekilen bu resimler bize uyarlanabilir öğrenmenin ne olduğunu anlatıyor. Uyarlanabilir bir sistemde, öğretmenler öğrencilerin yeteneklerini sürekli olarak değerlendirecek, eksikliklerini keşfedecek, onlar için hedefler belirleyecek, öğrenme ihtiyaçlarını keşfedecek ve hatta öğrenme hızlarına göre daha iyi öneriler sunacaklar. Bunu halihazırda yapan sistemler olduğunu gördük, ancak hepsi erken aşamalarda. Bir sonraki çalışmamız daha çok sistem iyileştirmeye odaklanmalı.
Makine öğrenimi ve yapay zeka, uyarlanabilir öğrenmenin itici teknolojisi olacak
Makine öğrenimi, son 10 yılda çok hızlı gelişti. Örneğin, başlangıçta kötü performans gösteren bilgisayar görüşü, insan gözünün tanıma doğruluğu ile hemen hemen aynı hale geldi; ses öğrenmenin durumu da aynı; Go için olduğu gibi, AI dünya şampiyonunu başarıyla mağlup etti; robot arabalar açısından memnuniyetle karşılayacağız Giderek daha fazla sürücüsüz araba geliyor.
Geleceğe baktığımızda, makine öğrenimi yapay zekanın gelişimini nasıl teşvik edecek ve ardından uyarlanabilir öğrenmenin gelişimini nasıl teşvik edecek? Birlikte tartışmaya değer üç konu var:
1. Makine ne öğrenmelidir?
Her öğrenciye göre kişiselleştirilmiş öğretim stratejilerine ihtiyacımız var. Makinenin, öğrencinin bırakma oranına ve öğrencinin test puanlarına göre, öğretmenin ne zaman müdahale etmesi gerektiği ve öğretmenin öğrenci ile makine arasına nasıl müdahale etmesi gerektiği dahil olmak üzere bazı önerilerde bulunabileceğini umuyoruz.
2. Hangi verilerden öğrenilmelidir?
Artık sınıfta kameralar, kulaklıklar, mikrofonlar vb. Gibi çevresel veriler de dahil olmak üzere çeşitli veri türleri var. Bu çevresel veriler sayesinde, öğrencinin durumunu daha iyi anlayabiliriz; vücut sensörü verileri Akıllı saatler ve akıllı sandalyeler gibi, öğrencinin mevcut öğrenme durumunu algılayabilir; EEG aracılığıyla beyin verilerini de izleyebilir. Kısacası, veri kaynağı seçimi makine öğrenimi için çok önemlidir.
Ayrıca, makine öğrenimi için önemli olan algoritmalardır.
Denetimli öğrenmeyi örnek olarak ele alırsak, Carnegie Mellon Üniversitesi'ndeki bir doktora öğrencisi tarafından önerilen bir ağ, hangi öğrencilerin çevrimiçi dersleri bırakacağını tahmin edebilir. İzlediği veriler, hem girdi hem de çıktıdan izleme elde etmek için öğrencilerin kursta harcadıkları süreyi, fare tıklamaları sayısını vb. İçerir.
Denetimli öğrenme uyarlanabilir eğitim için çok önemli olduğundan, öğrenim ortamının bağlamını göz önünde bulundurarak denetimli öğrenmenin doğruluğunu ve verimliliğini artırmak için bir dizi tekniğe ihtiyacımız var. Bir öğrencinin hangi çevrimiçi dersten çekileceğini tahmin etmek ve öğrencinin diğer derslerden de çekilip çekilmeyeceğini tahmin etmek, odaklanmamızı gerektiren görevler arası bir aktarmadır.
3. Çoklu görev öğrenimi
Bu, 1990'ların sonunda önerilen bir öğrenme teorisidir.Sistem tahmininin doğruluğunu artırmak için, diğer değişkenler de dikkate alınmalıdır. Örneğin, hangi pnömoni hastasının durumunun kötüleşeceğini izlemek için, pnömoninin kendisinin ciddiyetine ek olarak, hastanın pnömonisini daha iyi tahmin etmek için hastanın beyaz kan hücresi sayısını, hastanın YBÜ'ye transfer edilip edilmediğini vb. Dikkate alacağız. Bozulma şansı. Aynı model öğrencilerin okulu bırakma oranlarının tahminine de uygulanmaktadır ve ayrıca final sınav sonuçları gibi öğrencilerin diğer değişkenlerini de hesaba katabiliriz.
Bu teknolojinin başarısı, sistemimizi birden çok değişken içeren tahminler yapacak şekilde eğitebilmesidir.Bu süreçte, sistemin tahmin etkisini etkin bir şekilde iyileştirmek için bazı indüksiyon prosedürleri oluşturulacaktır.
Bir başka ilginç algoritma da denetimsiz öğrenmedir.
Bu Carnegie Mellon Üniversitesi'ndeki meslektaşlarım tarafından yapılan bir araştırmadır ve öğrencileri doğru cevaplama oranlarına göre sınıflandırırlar. Resimde üç farklı renkli eğri olduğunu görebilirsiniz.
Yeşil grup başlangıçta çok iyi performans gösterdi ve sonra aniden düştü ve ardından eskisi kadar iyi performans göstermedi. Denetimsiz öğrenme için, bir örüntü keşfettiğimiz sürece müdahale edebiliriz.Örneğin, diğer öğrencilere daha iyi rehberlik etmek için bu üç öğrenci grubunun final sınav sonuçlarını tahmin edebiliriz.
Şimdi de pekiştirmeli öğrenmeden bahsedelim.Bu algoritmanın özelliği, zaman içinde farklı noktalarda farklı eylem talimatları vereceğimizdir.Örneğin, AlphaGo bu şekilde kendi yeteneklerini sürekli olarak geliştirir ve sonuçta Go şampiyonunu yener. Basitçe söylemek gerekirse, Go'daki her nokta ve her hareket bir karar verme sürecidir.Bir ödül mekanizması kurarak, başarıya ulaşmak için ne yapması gerektiğini sisteme anlatmaya devam ediyoruz ve bu süreçte milyonlarca parça üretilecek. Eylem dizisi, ağı bu şekilde tekrar tekrar eğitiyoruz.
Bu yöntem aslında uyarlanabilir öğrenmeye çok benzer. Uyarlanabilir öğrenmede de farklı durumlar ve eylemler vardır. Bu durum öğrencinin öğrenme durumuna, zihinsel durumuna vb. Atıfta bulunurken eylem, ne yapmamız gerektiği gibi öğretme davranışına atıfta bulunur. Sınavlar, video oynatma veya öğrenme değerlendirmeleri. Ödül mekanizmasını tanımlayabilir ve makinenin bize ne tür eylemlerin öğrencilerin öğrenmesini daha iyi destekleyebileceğini söylemesine izin verebiliriz.
Takviyeli öğrenme, son 5 yılda büyük ilerleme kaydetti ve bu süreçte hem çeşitli hem de kişiselleştirilmiş birçok model üretildi. Makine öğrenimi araştırmacılarının bakış açısından, bu hızlandırılmış örnekleme yöntemleri, algoritma seçimleri ve veri seçimleri, AI + eğitiminin geliştirilmesi için bir hazinedir.
Makine öğrenimi + eğitim keşfi
Biraz daha spesifik çalışmalara bakalım. Meslektaşımın yaptığı bu, insanların bilgisayarlarla etkileşime girmesine izin veriyor. Bu sistem, insanın duygusal durumunu anlamak için her saniye insan yüz ifadelerini ve sesini izleyebilir. Ekrandaki kırmızı nokta, kişinin duygusal durumunu yansıtan, sürekli hareket eder. Sistem öğrencinin depresyonda ve olumsuz olduğuna karar verdiğinde, öğretmen yardım etmek için devreye girecektir. Öğretmen ve öğrenci problemi birlikte çözdüklerinde sistem öğrencinin olumlu duygularını algılar.
Bu teknoloji uygulandığında, öğretmen her saniye sistemin geri bildirimine göre hangi öğrenciye talimat verilmesi gerektiğini bulabilir. Araştırmalar, öğretmenlerin gecikmiş geribildirimlerinin olumsuz etkilerle pozitif yönde ilişkili olduğunu bulmuştur.
Bu size verdiğim bir örnek ve eğitim sektörü üzerinde çok büyük bir etkisi olabilir.
Bir başka ilginç araştırma yönü, yeni etkileşimli öğretim yöntemlerini keşfetmektir. Başkalarına öğreterek kendi başımıza iyi öğrenebileceğimizi gördük Bu nedenle, öğrencilerin öğretmen rolünü oynamasına izin vermeyi, bilgisayarların oynadığı simüle edilmiş öğrencilere öğretmeyi düşünüyoruz. Simüle edilen öğrenciler ekran aracılığıyla insan cevapları ister ve öğrenciler simüle edilen öğrencilere soruları doğru cevaplamayı öğretmekten sorumludur. Bu süreçte, öğretme gözetiminin rolünü tanıtacağız. Öğrenciler öğretim sürecinde sorunlarla karşılaştıklarında, öğretim denetimi derhal kaydedecektir. Ve rehberlik.
Bu yöntemin geleneksel öğretime göre daha etkili olduğunu bulduk, ancak yalnızca yapay zeka teknolojisi belirli bir seviyeye geldiğinde bu tür bir öğretimi başarabiliriz.
Bu nedenle ekibim, öğrencilerin bilgisayarları öğretmesine imkan veren bir sistem kurmaya çalışıyor. İlk başta bu fikrin eğitimle hiçbir ilgisi yoktu, esas olarak cep telefonu kullanıcılarının telefonlarını yeniden programlayabilmelerini istedik. Örneğin, makineye "saat dörtte bir toplantı yapacağız" dersek, makine "saat dörtte toplantı yapmanın ne demek olduğunu bilmiyorum" diyecek ve ardından "bana öğretmek istiyorsan bana öğretebilirsin" diyecek ve biz de onu takip edeceğiz Sistem, "öğleden sonra saat dörtte buluşma" nın ne anlama geldiğini ve bundan sonra ne yapılması gerektiğini açıklar.Sistem eğitildikten sonra, sahibinin talimatlarını ikinci kez hızlı bir şekilde anlayacaklardır. Bu doğal bir dil öğrenme uygulamasıdır.
Burada vurgulanması gereken iki kavram var: Birincisi, her cümlenin cümle kalıbının çalıştırılabileceğidir.Cümle kalıbını çevirip çalıştırılabilir koda çevirebiliriz. İkincisi, sistemin yeni adımlar öğrenmeye devam edeceğidir: İlk başta "söylemenin" ne anlama geldiğini bilmiyor olabilir ama şimdi biliyor. Bu araştırma başlangıçta sadece küçük bir fikirdi ve onu eğitime uygulamayı düşünmemiştik, daha sonra bu fikir mevcut eğitim endüstrisi ile birleştirilebilirse potansiyelin büyük olduğunu keşfettik.
Son olarak size bir özet vereceğim, bu adaptif eğitim için en iyi dönem ... Bu çağın ana itici gücü yapay zeka olacak, verinin doğasını her yönden değiştirecek.Bir çok insan ve bilgisayar toplayacağız. Etkileşimli veriler, konuşmalı öğrenmeye uygulanabilir. Geçmişte eğitimin öğretmenler ve öğrenciler arasında bir mesele olduğunu düşünüyorduk, şimdi öğretmenler, öğrenciler ve bilgisayarlar arasında üçlü bir mesele olduğunu düşünüyorum.
Çin'in burada benzersiz bir avantajı var ve AI eğitim alanında dünya lideri olması ve diğer ülkelere bu bilgiyi nasıl kullanacaklarını göstermesi bekleniyor.
Son olarak, dinlediğiniz için hepinize teşekkür ederim, teşekkürler!
