Администраторы могут использовать интеллектуальные алгоритмы для поддержки преподавания и выявления неэффективности учителей.
Автор Дуг Бондеруд
⌚ 4мин
Школы К-12 и округи используют искусственный интеллект, особенно машинное обучение, для удовлетворения целого ряда потребностей, от повышения эффективности инфраструктуры до целенаправленных академических вмешательств.
Самообучающиеся машины и интеллектуальные алгоритмы могут обнаруживать признаки того, что студенты курят электронные сигареты на кампусе, или всплески шума, которые могут указывать на насильственный инцидент. Инновации, основанные на искусственном интеллекте, могут собирать и анализировать данные об использовании систем отопления, вентиляции и кондиционирования воздуха, чтобы помочь администраторам выявить недостатки. И это только несколько примеров. Такие развивающиеся технологии обещают много преимуществ для образования K – 12.
Итак, что такое машинное обучение? «Алгоритмы машинного обучения используют статистику для поиска шаблонов в огромных объемах данных», - говорится в MIT Technology Review.
Основное преимущество интеллектуальных алгоритмов: обнаружение закономерностей в обширных наборах данных, которые сводят на нет усилия человека. Усовершенствованные инструменты машинного обучения теперь используют вдохновленные человеком «глубокие нейронные сети» для обеспечения как распознавания образов, так и поведенческого прогнозирования, в то время как решения ИИ предназначены для имитации принятия решений человеком на основе имеющихся данных.
В школьном образовании инструменты машинного обучения позволяют сопоставлять и сравнивать успеваемость учащихся, а затем выявлять ключевые показатели, которые указывают на необходимость поддержки конкретным учителем или административной поддержку. Администраторам также приходится разбираться с проблемами конфиденциальности и безопасности, связанными с развертываниями на основе ИИ, - это растущая проблема, поскольку использование больших данных в образовании становится все более распространенным явлением и расширяется парк школьных устройств с цифровым подключением.
Существует также больше возможностей машинного обучения, чем просто сбор данных в классе.
Использование машинного обучения для определения шаблонов ИТ
Мохан Раджагопалан (Mohan Rajagopalan), старший директор по управлению продуктами в Splunk, говорит, что многие учреждения в настоящее время используют машинное обучение для поиска шаблонов и просеивания оперативных информационных данных. Это, он говорит, дает им возможность обнаруживать «аномалии, такие как отклонения от прошлого поведения, указывающие на сбои машины или сети, или необычные изменения в схемах доступа, указывающие на потенциальные проблемы безопасности, которые могут возникнуть», позволяя ИТ-персоналу прогнозировать тенденции использования и помогать в планирование мощностей.
Такой анализ данных полезен для школ K – 12, работающих на сетевых технологиях последнего поколения и одновременно управляющих индивидуальными вычислительными инициативами. Возможность прогнозировать потенциальное время простоя и понимать тенденции использования учениками может помочь администраторам более эффективно отслеживать расходы на технологии и безопасность. Лидеры машинного обучения, такие как Splunk, уже помогли школьным округам предотвратить сбои в работе сети и сократить их среднее время на исследование и устранение проблем в области ИТ.
Обращаясь к ИИ, чтобы помочь укрепить штат
Образование имеет дефицит технических талантов. Это неудивительно: школы K-12 часто не могут предложить конкурентоспособную заработную плату, а многие районы расположены за пределами крупных городских районов, что затрудняет набор из и без того ограниченного кадрового резерва. Результат? Местные команды находятся на крючке, чтобы управлять сетями масштаба предприятия с командами скелета.
Учреждения могут использовать интеллектуальные алгоритмы, «чтобы дополнять и увеличивать людей-операторов», отмечает Раджагопалан. Для школ эти решения предлагают способ сделать больше с меньшими затратами, повышая эффективность небольших ИТ-групп, которым поручено масштабное обслуживание технологических решений, внедряя функции обеспечения безопасности данных в первую очередь, которые отдают приоритет конфиденциальности учеников и поддерживают как развертывания школьных устройств, так и развертывания BYOD.
По словам Раджагопалана, интеграция машинного обучения дает ключевые преимущества ИТ-инфраструктуры, в том числе:
- Автоматическое обнаружение - на основе существующих моделей использования и поведения, алгоритмы могут обнаруживать проблемы в сети.
- Упрощенное расследование. Инструменты машинного обучения облегчают выявление основных причин выявленных проблем в сети.
- Активная сортировка - в сочетании с другими решениями AI машинное обучение позволяет автоматически сортировать определенные события, такие как неправильное использование приложений или несанкционированный доступ к сети.
- Маршрутизация оповещений - для событий, которые не могут быть автоматически обработаны, отчеты создаются и направляются ИТ-администраторам для дальнейшего расследования.
- Повышенная скорость - теперь Splunk видит, что клиенты «используют машинное обучение для оптимизации управления безопасностью, автоматизации и ответов для выполнения действий в считанные секунды, а не часы», - говорит Раджагопалан.
Использование алгоритмов для предотвращения отказов оборудования
Эффективная школьная среда расширяет старые классные комнаты, учителей и технологии обучения для базовой инфраструктуры здания. Например, внезапный сбой HVAC может привести к резкому падению или повышению температуры в зданиях, что приведет к временному закрытию или переселению класса. Неэффективные устройства также могут негативно повлиять на школьные бюджеты, если округа перерасходуют средства на техническое обслуживание или замену, что приводит к потере средств, которые могут быть использованы для новых вычислительных технологий, таких как активы виртуальной реальности или облачные оценки.
Технологические компании, такие как Microsoft, уже используют машинное обучение для снижения затрат на климат-контроль и повышения комфорта сотрудников. Но последние исследования показывают, что школы - в силу их некоммерческого подхода - часто упускают из виду экономически эффективные инвестиции в повышение энергоэффективности.
По словам Раджагопалана, огромное количество данных, которые генерируют системы управления оборудованием и датчики, обеспечивает необходимую основу машинного обучения для автоматического поиска сбоев и устранения неисправностей. Он указывает на пример отказа машины из-за перегрева: если руководители школьных учреждений получали предупреждения о перегреве кондиционеров воздуха в зависимости от текущей температуры окружающей среды и моделей их использования, они могли бы временно отключить блоки для ремонта, что снижает необходимость дорогостоящей замены.
В поисках подходящей машины для работы
Раджагопалан говорит, что, несмотря на «ошеломляющий» потенциал для машинного обучения, «залог успеха заключается не в разработке новых технологий, а в возможности успешного согласования технологий с конкретными случаями использования и потребностями пользователей».
Для школ K – 12 это означает, что применение машинного обучения и искусственного интеллекта связано не со скоростью или масштабом, а со спецификой. Машинное обучение, применяемое для решения конкретных задач, может помочь школьным округам максимизировать инвестиции в цифровую стратегию - от определения шаблонов ИТ до устранения дефицита технических талантов или предотвращения дорогостоящих сбоев.
