И в корпоративном сегменте и в ДПО мы привыкли полагаться на существующие курсы от профессиональных разработчиков (на это мы выделяем серьезные бюджеты), на собственные разработки (для этого большинство корпоративных университетов вынуждены создавать собственные студии записи и помимо основной деятельности включаться еще и в создание контента и, наконец, на вузы с их программами обучения.
В итоге далеко не всегда предлагаемые нами курсы полностью проходятся сотрудниками, потому что им некогда или не интересно или еще почему, и мы видим это на собираемых метриках типа NPS (тоже кстати не всегда видим).
Появление ИИ решений может существенно изменить этот расклад, та как ИИ позволяет быстро находить ответы на конкретные вопросы.
Ровно такое решение мы разработали и опробировали в Университете 2035 в процессе создания «Цифрового двойника», способного взаимодействовать с учащимся. Подобнее вот в этом посте.
Но то что мы видели, как аналог автоматизированной Q&A сессии преподавателем постепенно превращается в принципиально новый подход к созданию образовательного контента.
Представьте, что вы как создатель курса просто перечисляете ряд конкретных вопросов на которые должен ответить ваш курс. Прикладных с точки зрения вашей тематики или общих для привязки к рынку?
ИИ подробно (или наоборот сжато) отвечает на каждый из вопросов, и вот у вас авто-сгенерированные лонгриды.
Далее вы приглашаете экспертов с рынка чтобы рассказать живьем на камеру конкретные кейсы из их практики и поработать «говорящей головой». Но как выбрать наиболее подходящего эксперта, ведь вы сами не достаточно разбираетесь в их тематическом поле.
Даем в онлайне всем кандидатам развернуто (голосом) ответить на наиболее существенный из вопросов курса. ИИ анализирует их ответы на полноту, терминологическую глубину разнообразие и релевантность. и путем сравнения семантических ядер предлагает вам наиболее подходящего кандидата.
Более того та же модель еще и подскажет вам насколько много «воды» в речи спикера, как чисто он говорит (мычание, слова паразиты, повторяемость слов) и в целом оценит его качества как коммуникатора.
Это становится особенно важным в тех областях где профессиональные говорящие головы встречаются редко и нужно выбирать спикеров из малоизвестных специалистов «из полей».
Что это значит для обучения? Появляется принципиально новый образовательный формат – прицельные узкоспецифичные микро-лернинги на основе ИИ. Состоят они из авто сгенерированных на основе массивов текстов лонгридов, перемежаемых кейсами от профильных специалистов отобранных алгоритмом. В дополнение та же модель сможет сгенерить кейсы для решения и тесты для прохождения. Добавляем сюда взаимооценку и сбор рефлексии учащихся и вуаля – курс готов. На собираемом цифровом следе мы сможем еще и отследить уровень усвоения материала каждым учащимся.
Ровно такое решение разрабатывает команда Университета 2035. В его основе лежит созданная нами модель контекстного поиска, обучаемая на конкретных профессиональных текстах.
Если данное направление интересно и вам, обращайтесь, обсудим J а пока вот краткое описание модели.
Архитектура модели. Каскадная модель на основе векторизаторов и нейросетевых алгоритмов трансформерной архитектуры.
Процесс дообучения модели. Обязательным компонентом модели контекстного поиска является база знаний в виде вопросно-ответных пар по соответствующему образовательному контенту.
Процесс поиска ответа строиться по следующей процедуре.
1) загрузка набора текстов для поиска;
2) перевод, выбранного набора текстов в векторное представление, при помощи соответствующего алгоритма;
3) выбор вопроса от пользователя;
4) перевод вопроса в векторное представление;
5) поиск ближайших текстов;
6) отправка, полученного текста и вопроса в вопросно-ответную модель, предобученную на поиск ответов по контексту (тем самым уточняются координаты релевантного текста);
7) по “скорам” модели извлекается предложение с ответом.
Подробнее на канале Дизайн Образования в ТГ