Yi Technology CEO'su Liu Chang ile röportaj: Yapay zekayı derinden geliştirin ve halk eğitimi için iyi bir yardımcı olun
Temmuz 2017'de Danıştay, "Yeni Nesil Yapay Zeka Geliştirme Planı" nı yayınladı.Planda, yeni bir eğitim sisteminin tanıtımını, akıllı kampüslerin inşasını ve akıllı eğitim asistanlarının gelişimini hızlandıracağı özellikle belirtildi. Yapay zeka teknolojisinin gelişmesiyle birlikte, AI + eğitim parkuru sermaye tarafından aranmaktadır.İyi gelecek, New Oriental, VIPKID, 51talk, Hujiang, HKUST, iFLYTEK, English Fluent vb. Yapay zeka + eğitim konusundaki çabalarını duyurmuş ve toplu olarak zorlu bir mücadele vermiş; Yapay zeka uyarlamalı öğrenme alanında, Knewton ve Yixue Education'ın başarılı bir şekilde finanse edilmesi gibi büyük yerli ve yabancı finansman etkinlikleri, pazarın ilgisini uyandırdı. Bilim ve Teknoloji ile birlikte ülkenin ilk ve orta öğretim okulları için en büyük çevrimiçi ev ödevi platformu da bu yola katılarak yapay zeka uyarlamalı eğitim konusundaki çabalarını kamuya duyurdu.
20 Mart 2018'de K12 çevrimiçi eğitim platformu, birlikte E Serisi finansmanda 250 milyon ABD dolarının tamamlandığını ve 1 milyar ABD doları değerleme ile tek boynuzlu atlar arasına girdiğini duyurdu. Aynı zamanda şirketin markası "birlikte" den "birlikte" olarak değiştirildi. , Ve "Sokrates" akıllı öğrenme sistemini piyasaya sürdü.
Resmi bilgiler, mevcut şirketin genel işinin birlikte çalışmayı, birlikte öğrenmeyi ve birlikte hayır işlerini içerdiğini göstermektedir. Ve bu finansman turu, yüksek kaliteli eğitim içeriğine, yapay zekaya ve eğitsel kamu refahına yatırım yapmak için kullanılacak. Mart 2018 itibarıyla Yi Teknoloji kullanıcılarının sayısı 40 milyon öğrenci, 20 milyon veli ve 1,9 milyon öğretmen olmak üzere 60 milyona ulaştı. Kullanıcılar, Çin'de 31 il ve 363 şehirde yaklaşık 120.000 okulu kapsıyor ve platformda her gün yüz milyonlarca ev ödevi davranışı üretiliyor.
Şirket, kurulduğu günden bu yana teknolojiye yatırım yapmaya devam ettiğini belirtti. 2017 yılında uyarlanabilir öğrenme sistemlerini geliştirmek ve iyileştirmek için bir yapay zeka ekibi kurdu ve yapay zeka düzenini tam olarak tanıtmak için çeşitli yapay zeka eğitim ürünlerini hayata geçirdi.
Leifeng.com, şirketin genel merkezine geldi ve Yilian Technology CEO'su Liu Chang ve Algorithm Products Direktörü Luo Kan ile özel bir röportaj gerçekleştirdi.
Neden yapay zeka kullanılmalı?
2017 yılında, ağırlıklı olarak eğitim alanında AI teknolojisinin araştırma ve uygulamasına odaklanan Yi Technology AI ekibi kuruldu. Araştırma yönleri temel olarak konuşma tanıma, görüntü tanıma, doğal dil anlama, veri madenciliği ve diğer alanları içerir. Ekip bağımsız olarak bir dizi yapay zeka sonucu geliştirdi ve bunları sözlü değerlendirme, el yazısı tanıma ve kompozisyon düzeltme dahil olmak üzere eğitim alanında uyguladı.
Yapay zekanın tanıtımı hakkında konuşan Liu Chang, "Çünkü teknolojideki ani değişiklikleri işletmede sık sık abartıyoruz, ancak teknolojinin bir bütün olarak eğitim endüstrisi üzerindeki etkisini ve tabii ki diğer endüstrilerin dönüşümünü hafife alıyoruz. Bu yüzden zaman çizelgesini uzatıyoruz. , Ev ödevi düzeltmelerinin, velilere yapılan yorumların ve raporların bir kişi mi yoksa bir makine mi olduğunu bilmiyorsunuz. Bunların yerini muhtemelen bir makine alıyor. Bu nedenle bazı gelir veya finansman baskısı nedeniyle bugün yapılmıyor Sözde yapay zeka, sektörün anlaşılmasına ve kullanıcı ihtiyaçlarının anlaşılmasına dayanıyor. Bu tahmine dayalı yatırım yapıyoruz. "
Birlikte teknoloji yapay zeka teknolojisi
Yi Technology yapay zeka ürünleri, görüntü tanıma, ses etkileşimi, doğal dil işleme, derin öğrenme ve diğer teknolojileri kullanır. Yapay zeka ekibi, teknolojinin uygulamaya hizmet etmesi gerektiğine inanmaktadır.Öğrenme sürecindeki bilgi noktalarına hakim olmak yalnızca bir başlangıçtır ve özne yeteneği, kişiselleştirilmiş öğrenme yolunun yalnızca orta sürecidir. Nihai amaç, kapsamlı disiplinler arası beceride analoji yoluyla ustalaşmaktır. Bu yetenek sisteminin inşası, zengin kaliteli eğitim içeriği ile akıllı teşhis ve akıllı öneri gibi yapay zeka teknolojilerinin kombinasyonuna dayanır. 20 Mart'ta düzenlenen basın toplantısında öğrenim sistemi resmi olarak "Sokrates Akıllı Öğrenme Sistemi" olarak adlandırıldı.
Bu aşamada eğitim alanındaki yapay zeka, ağırlıklı olarak uyarlamalı öğrenme yönünde yansıtılır. "Socrates Akıllı Öğrenme Sistemi", geliştirilmiş bir uyarlanabilir öğrenme sistemidir.
"Uyarlanabilir Öğrenmenin Kodunu Çözme" raporuna göre, "Uyarlanabilir öğrenme, her öğrenciye uygun bağımsız yardım sağlayarak gerçekte öğrencilerle gerçek zamanlı etkileşim sağlayan bir tür eğitim teknolojisi yöntemidir." Uyarlanabilir öğrenmenin temel fikri Binlerce insanı gerçekleştirmek ve öğrenme verimliliğini daha da artırmak için öğrenciler için özelleştirilmiş eğitim yürütmek her öğrencinin yetenek değerlendirme modelinin oluşturulması yoluyla yapılır.
Socrates akıllı öğrenme sistemi altında, sistem öğrencilerin bilgi ve yeteneklerinin ortak gelişimi hedefine ulaşmak için öğrencilerin verilerine dayalı kişiselleştirilmiş bir öğrenme yolu oluşturacaktır. Bilgi düzeyinde, çok ileri veya ileri değildir, böylece öğrenciler bilgi noktalarında ustalaşmak ve disiplinler arası düşünme yeteneğini inşa etmek için daha az zaman ve daha etkili uygulama kullanabilirler ve bilgiyi öğrenirken yaşam boyu bir düşünme yolu kazanabilirler.
Öğretmenin işgücü maliyeti ile sınırlı olan geleneksel öğrenme planlamasında, her öğrencinin yeteneğinin titiz bir şekilde değerlendirilmesi eksikliği vardır, bu da her öğrenci için temelde tutarlı bir öğrenme planına götürür ve öğrencilerin hepsi aynı ilerleme ile öğrenirler. Öğrencileri daha iyi değerlendirebilir ve mevcut yetenekleriyle eşleşen ders kitapları, ödevler ve sınavlar sağlayabilirsek, bu öğrencilerin motivasyonunu ve öğrenme verimliliğini büyük ölçüde artıracaktır.
Teknik açıdan, çevrimiçi eğitim gerçekten etkili olacaksa, aşağıdaki kapalı döngüyü tamamlaması gerekir:
1. Öğrencilerin seviyesini doğru bir şekilde değerlendirin.
2. Mevcut seviyeye göre eğitimi itin.
3. Zayıf noktaların ardındaki düşünme yeteneğini geliştirmek.
4. Öğrencinin seviyesini tekrar test edin.
Yukarıdaki adımlar arasında doğru test, temel ve en zor adımdır. Yalnızca öğrencilerin gerçek düzeyini doğru bir şekilde bilerek hedeflenen öğrenme ve eğitim gerçekleştirilebilir. Bilginin zayıf noktalarını ve arkasındaki düşünce modelinin zayıf noktalarını ortaya çıkarmak için anahtardır. Yapay zeka ekibi, çok sayıda keşif aşamasından geçti.
2015 yılında bir ödev, öğrencilerin yeteneklerini değerlendirmek için IRT (Madde Tepki Teorisi) modelini tanıttı. Ancak işin genişlemesiyle IRT'nin kendisinin bazı kusurları vardır. IRT'nin amacı, soru sorarak öğrencilerin yeteneklerini değerlendirmektir.IRT, tüm soruların bağımsız ve ilgisiz olduğunu varsayar. Ancak uygulamada, soruların sırası ve sorular arasındaki ilişki, öğrencilerin yeteneklerinin son değerlendirmesinde çok önemli bir rol oynamaktadır. Örneğin, bir öğrenci 100 soru yaptıysa ve sadece 50 soruyu doğru cevapladıysa, öğrencinin yeteneğinin 50 puan olduğu (100 üzerinden) reddedilebilir.Öğrenci başlangıçta 50 yanlış, 50 soru daha sonra yaptıysa. Tüm Tao soruları doğru mu?
Zaman serisi özellik dizisini daha iyi temsil etmek için BKT (Bayesian Knowledge Tracing) ve DKT (Deep Knowledge Tracing) modelleri 2016 yılında tanıtıldı.
BKT modeli, öğrencilerin öğrenme sürecini uzun süredir karakterize etmek için en popüler zaman serisi modeli olmuştur.Özellikle cevap kaydına dayalı olarak belirli bir bilgi noktasının ustalığındaki değişimi izleyebilir.Bu karakterizasyon, belirli ürün türleri için (test odaklı eğitim) çok önemlidir. ) Oldukça uygundur, ancak dezavantajı, parametre tahmininin kararlılığının aslında iyi olmamasıdır.EM algoritması altında, Iaido'nun tek parametresi garanti edilmez ve tekli çoklu bilgi noktalarının işlenmesinde parametre patlaması problemi ile karşılaşılacaktır.
Yi Technology, iki modelin özelliklerini birleştirir ve orijinal DKT modelinin RNN modelini değiştirmek için iki katmanlı bir LSTMP kullanır. LSTMP, anahtar zamanlama dizisinin sinyalini kapıdan kontrol edebilir, böylece model daha uzun zamanlama temsiline sahip olabilir. Aynı zamanda, büyük veri eğitimi durumunda, gradyan kaybolması ve gradyan patlaması olgusunu etkili bir şekilde önleyebilir.
IRT için, model yinelemesinden sonra, soru setinin teta değeri ve parametreleri yerleştirilir ve belirli bilgi noktalarının ustalığı bu parametreler aracılığıyla takılabilir. DKT'de eğitimin sonundaki sigmod katmanı, öğrencinin her bilgi noktasındaki ustalığını hesaplayabilir.Örnek olarak matematik verilerini alın.Bilim ve teknoloji birlikte, öğrencinin ilk ve orta matematikteki cevabının tahmin doğruluğunu hesaplar. DKT, EAA'da IRT'den önemli ölçüde daha iyidir. Ayrıca, her öğrenci için, o öğrencinin T zamanındaki yetenek dağılım haritası hesaplanabilir.
Yukarıdakiler, bireysel öğrenciler için yetenek dağılım haritasını oluşturmak ve soruyu DKT modeline (Chris Piech NIPS 2015) göre modellemektir. Bir dizi sıralı soru geçmişi kayıtlarına dayalı olarak bir sorunun hakim olma olasılığını tahmin etmek mümkündür. Buna ek olarak, öğretim ve araştırma ile birleştirildiğinde, konunun kendisinin bilgi noktaları, test noktaları, hata nedenleri vb. Gibi daha fazla soyut çıkarılması, bilgi noktaları (test noktaları, hata nedenleri) arasındaki ilişkiyi daha da keşfedebilir. Alaka düzeyinin istatistiksel analizi yoluyla, ön ağırlıkların istatistiksel olarak eklenmesi gibi önemli bilgi noktalarını ve test noktalarını daha da derinlemesine inceleyebilir ve temel bilgi noktalarını elde edebiliriz. Ağırlıklara dayalı denetimsiz kümeleme, bilgi noktaları arasındaki fazlalığı keşfetmeye yardımcı olabilir.
Örneğin, aşağıdaki şekilde, şeklin merkezindeki bilgi noktası, tek değişkenli ikinci dereceden denklemin çözüm eşleştirme yöntemidir.Bu bilgi noktasından, tek değişkenli ikinci dereceden denklemin kök ayırıcısı ve tek değişkenli ikinci dereceden denklemin çözüm formülü yöntemi oldukça ilişkilidir. Ondan sonra, üçgenlerin bilgi noktalarına ve Pisagor teoremine dokunmaya başladım ve onun önü tek boyutlu doğrusal denklemlerin bilgi noktalarıydı. Makine tarafından öğrenilen sonuçlardan yola çıkarak, ikinci dereceden denklemin bir bilinmeyenteki çözüm eşleştirme yöntemi, önceki ve sonraki arasındaki bir bağlantıdır.Bu sadece mevcut müfredata değil, aynı zamanda bilgi noktalarının kombinasyonunun olasılığı açısından da uygundur. Yüksek frekans için bir araştırma noktası.
Genel olarak, öğretim bilgi noktaları, öğretimin ilerlemesini ve kavramlar hiyerarşisini iyi bir şekilde yansıtabilen ağaç benzeri bir biçimde görüntülenir, ancak bilgi noktaları ile bilgi noktaları arasındaki iç ilişkiyi bulmak zordur. DKT modeli, öğrencilere daha zengin bir öğrenme yolu sağlamak için bilgi noktası haritasını ve bilgi noktası ağacını etkili bir şekilde birleştirebilir.
Büyük veri, yapay zeka algoritmalarını besler
Teknik olarak, teknik veriler sürekli ve doğrudur. Her kimlik, ders kitabı sürümünü, öğrenci sınıfını, öğretmeni, öğrenme ilerlemesini ve ev ödevi durumunu doğru bir şekilde elde edebilen gerçek bir adla bağlıdır ve öğrencinin notu arttıkça veriler sürekli olarak güncellenir. Mart 2018'deki en son verilere göre, şirketin 40 milyon ilkokul ve ortaokul öğrencisi olmak üzere 60 milyon kullanıcısı var.Veri miktarı büyük ve test döngüsü büyük ölçüde kısaltıldı ve sonraki yapay zeka için iyi bir temel oluşturdu. Leifeng.com bir ev ödevi öğrenci uygulaması indirdi ve kaydolmaya çalıştı. Kayıt sayfası, katılabilmeniz için öğretmen tarafından verilen numarayı girmeniz gerektiğini gösteriyor. "Öğretmen kimliği yok" düğmesini tıklayın, bir açılır kutu otomatik olarak görünecektir. Sınıfınızı bulmak için öğretmen kimliğini girmeniz gerekir. Öğretmeniniz sağlamadı, lütfen öğretmene sorun. Bu ayarla, verilerin gerçekliği ve geçerliliği garanti edilir.
Veri sistemi üç katmana ayrılmıştır:
1. İçerik katmanı (İçerik Düzeyi): Bilgi noktaları, düşünme modelleri ve veri etiketleri ile en temel bilgi noktalarının (POI) her birinden toplanan geniş bir bilgi ağını içerir. Veri miktarı en büyük ve en temel olanıdır İçerik.
2. Kullanıcı seviyesi (Kullanıcı Seviyesi): Esas olarak kullanıcı verilerini, kullanıcı davranış izlerini ve kullanıcı çağrı verilerini içerir. Örneğin, kimliğin alanı, okulu, ders kitapları, yapılan sorular, aktivite seviyesi, soruları yapma zamanı vb.
3. Hibrit katman (Contant + User): Temelde içerik ve kullanıcı katmanı arasındaki etkileşimle oluşturulan yeni verileri ifade eder.Bu katmanda toplanan ortak veriler derin öğrenme ve veri madenciliği için kullanılacaktır.
Birden fazla veri katmanına dayanan öneri stratejisi, "varlık, yetenek, bilgi ve eylem" in dört boyutunu dikkate alırken, veri havuzunun içeriği aracılığıyla farklı kimliklerin kişiselleştirilmiş verilerini eşleştirerek daha bilimseldir. Örneğin, standardı karşılayan dar bilgiye ve derinlemesine yeteneklere sahip kullanıcılar için, bilgi perspektifine uyacak şekilde daha fazla çıkarım tasarlanırken, geniş ve yetersiz bilgiye sahip öğrenciler için, yetenek sistemi perspektifinden kademeli olarak kademeli çıkarımlar yapılır. Her sorunun, başlamayı çok zorlaştırmadan öğrencilerin soruyu yapmakla ilgilenmelerini sağladığından emin olun.
Yapay zekanın tanıtımı ne kadar etkili?
Öğrencilerin egzersiz yaparken konsantrasyonunu ve verimliliğini nasıl artıracağına gelince, Luo Kan, Öğrenci Ödevi Uygulamasını birlikte açtı, gösterildi ve Lei Feng'e açıkladı. "Aslında hem iOS hem de Android uygulamalarında erişim kısıtlamalarımız var. Kenetlenirken, sorunu çözerken çocukların bu erişim kısıtlamasını açabilmeleri için onlara rehberlik edin. Sözde erişim kısıtlaması, bu uygulamaları yalnızca sizin açabileceğiniz ve diğerleri kilitlendiği anlamına gelir. Her seferinde düzenlediğimiz başka bir yöntem var Ev ödevi için sistem her ev ödevinin zamanını yüksek olasılıkla tahmin edecektir.Örneğin bu ödev 10 dakikada yapılırsa, çocuk 30 dakika oynarsa sistem çocuğun bir şey oynayıp oynamadığını, aksi halde neden 10 dakika içinde olduğunu düşünecektir. Soruyu sadece 30 dakikada bitirdi. Herhangi bir güçlükle karşılaştı mı? Sorunu çözmek için önlemler alınacak. "
Ek olarak, öğrencilerin soru yapma ilgisini artırmak için Uygulamada kişiselleştirilmiş bir çığır açan ürün kuruldu. Luo Kan şunları söyledi: "Örneğin, ilk seviyeye girdikten sonra, örneğin, bu seviye her seferinde bir seviye yapılır. Soruları cevaplamak uzun zaman alacak. Ancak her seviyeyi öğrencilerin dinamiklerine göre belirleyeceğiz. Birkaç seviyeden geçtik ve sonunda bir test yaptık. "
Bu ürünün arkasındaki teknolojiden bahseden Luo Kan, "Uyarlanabilir öğrenmenin tamamının çok önemli bir modeli var, ART modeli. Yinelemek için EM algoritmasını kullanıyoruz. 2014 yılında ART modelini çevrimiçi sisteme tanıttık. Bu model, değerlendirme için kullanılan GRE gibi nispeten klasik bir değerlendirme modelidir.Uyarlanabilir öğrenme uyarlamalı test sistemlerini ve egzersiz sistemlerini içerdiğinden, en eskisi klasik modelleri içerir. ART'a dayanır. Bu nedenle ilk günlerde bu model öğrencilerin sorularının kaydı aracılığıyla öğrencilerin yeteneklerini ve problemin zorluğunu değerlendirebiliyordu. Üstelik bu konu insan müdahalesi gerektirmiyor ve EM algoritması aracılığıyla uygulanıyor. Bu, denetimsiz bir öğrenme algoritmasıdır. İlk olarak, öğrencilerin problemin zorluğunu tahmin etmek için aynı beceriye sahip olduğunu varsayın ve sonra problemi yapmak için öğrencinin doğruluğunu kullanın ve ardından öğrencinin yerel optimal çözüme ulaşmak için adım adım yeteneğini tahmin edin. "
"Bu derin öğrenmenin aslında pek çok algoritması ve modeli var, çünkü DKT modeli 2017'de önerildi. Temel olarak, önerildiği anda, bu modeli takip ettik ve mevcut ürünlerimize uygulamaya çalıştık."
Yukarıdaki resim, Shanghai Today's Middle School'da öğretmen Ni Jiaqing'in aynı ödevi kullandıktan sonra önceki ve sonraki karşılaştırmasıdır.Kullandıktan sonra öğrenciler tamamlama oranı ve doğruluklarında önemli bir iyileşme elde etmişlerdir. Aynı iki sınıf için, çevrimiçi ödev kullanan deneysel sınıfların% 70'i hazırlık ödevini, kontrol sınıfının ise yalnızca% 25'i; dersten sonra deney sınıfının doğru oranı% 96,7 ve kontrol sınıfı% 78,6'dır. Ni Öğretmen bunun nedeninin sınıftaki öğrencilerin% 98'inin farklı seviyelerde yarı zamanlı olması olduğunu öğrendi.Geleneksel ev ödevinin farklı öğrencilere farklı içerik ataması zorken, çevrimiçi ev ödevi her öğrenciye kişiselleştirilmiş ödevler veriyor. Ev ödevi, öğrencilerin ev ödevlerine olan isteklerini artırır.
Raporlara göre, öğrenciler DKT modeli ile oluşturulan problem çözme ürünlerini fiilen kullandıktan sonra, tamamlama oranı ve coşku arttı. "Çevrimdışı öğrencilerin yanıtlarının doğruluğunda bir gelişme gördük. Yeni algoritmamızı kullanarak, puanları bizi kullanmayan öğrencilerin puanlarından bile daha yüksek olacak. Bu aslında 2014 ve 2015'te doğrulandı. Son deneylerimizden bazıları, orijinal yöntemimizle karşılaştırıldığında, öğrencilerin aynı kağıt setindeki performans gelişiminin mutlak değerinin yaklaşık% 8 olduğunu ve göreli değerin% 15 oranında iyileştirilebileceğini göstermek için sonuçları birleştirdi. Daha büyük ölçekli örnek testler yapıyoruz, ancak sonuçlar yine de çıkıyor. "
Şirketin iş modeli ve gelirine gelince, iş bir okul eğitim sahnesi ürünü ve trafik kaynağı ücretsiz bir ürün. Birlikte öğrenme, öğrencilerin öğrenme yeteneklerini geliştirmelerine yardımcı olmak için ücretli ürünler sunan bir aile eğitim ortamı ürünüdür. Raporlara göre Yi Technology okulu keserek büyük miktarda trafik ve veri elde etti ve biri soruları kişiselleştirmek, diğeri sınıfı yaşamak için iki ticarileştirme yaptı.Bu iki model ilkokul işini karlı hale getirdi. Genel olarak konuşursak, başabaş başardı.
Gelecek beklentileri: Yapay zeka öğretmenlerin yerini alabilir mi?
Bir süre önce, bazı araştırmacılar 365 mesleğin gelecekte yapay zeka tarafından "ortadan kaldırılma" olasılığını analiz ederken, bunların arasında öğretmenlerin elenme olasılığı% 0,4'tür. Öyle görünüyor ki öğretmenlerin, makinelerle değiştirilemeyecek kendi benzersizlikleri var. Ancak farklı sesler de var Eğitim Bakan Yardımcısı Du Zhanyuan, "insan-bilgisayar entegrasyonunun akıllı çağı kucaklamamız için en yaygın biçim" olabileceğine inanıyor. Wellington Koleji Dekanı Sir Anthony Shelton, öğretmenlerin 10 yıl içinde geleneksel rollerini kaybedeceklerine inanıyor. , Sadece öğretim görevlisi olabilir. Öğrencilere bilgiyi öğretmenin önemli görevi tamamen yapay zeka bilgisayarları tarafından yapılacaktır.
Yapay zeka öğretmenlerin yerini alsa da Yijie Technology'nin cevabı şudur: "Aslında Yijiajiao'yu halk eğitimi için iyi bir yardımcı olarak konumlandırıyoruz. Geçmişte öğretmenleri değiştirmek veya çocuklara öğretmek istemedik. Çünkü her zaman makinelerin çocukları eğittiğine inanıyoruz. Bu parça insanların yerini tamamen alamaz. "
