More Related Content
Viewers also liked
Viewers also liked (11)
Similar to Каким образом и насколько могут Big Data и Искусственный Интеллект улучшить on-line обучение?
Similar to Каким образом и насколько могут Big Data и Искусственный Интеллект улучшить on-line обучение? (20)
Каким образом и насколько могут Big Data и Искусственный Интеллект улучшить on-line обучение?
- 1. Каким образом и насколько могут Big Data и Искусственный Интеллект улучшить on-line обучение? Профессор Александр Павлович Рыжов МГУ им. М.В. Ломоносова Российская Академия Народного Хозяйства и Государственной Службы при Президенте РФ Экосистема обучения люди технологии процессы контент Москва, 22 ноября 2016
- 2. Содержание • Зачем нужны компьютерные обучающие системы? Существующие образовательные технологии как тормоз развития современной экономики. • Почему сейчас? Яркие успехи применения Big Data и Искусственного интеллекта в близких областях (например, биржевая торговля, рекомендательные системы). • Как могут Big Data и Искусственный интеллект улучшить on-line обучение? Необходимые условия интеллектуального управления обучением; персонификация обучения на основе Big Data. • Каков потенциал персонификации on-line обучения? Нет технических препятствий сделать компьютерные обучающие системы настолько же эффективными, как и лучшие репетиторы или персональные тренеры. • А можно еще лучше? Не понятно, надо пробовать. Вычислительная педагогика и квантовое управление процессом обучения как близкое будущее.
- 3. Зачем нужны компьютерные обучающие системы? • Зачем нужны компьютерные обучающие системы? Существующие образовательные технологии как тормоз развития современной экономики. • Почему сейчас? Яркие успехи применения Big Data и Искусственного интеллекта в близких областях (например, биржевая торговля, рекомендательные системы). • Как могут Big Data и Искусственный интеллект улучшить on-line обучение? Необходимые условия интеллектуального управления обучением; персонификация обучения на основе Big Data. • Каков потенциал персонификации on-line обучения? Нет технических препятствий сделать компьютерные обучающие системы настолько же эффективными, как и лучшие репетиторы или персональные тренеры. • А можно еще лучше? Не понятно, надо пробовать. Вычислительная педагогика и квантовое управление процессом обучения как близкое будущее.
- 4. Прорывные технологии: преимущества, которые изменят жизнь, бизнес и мировую экономику http://www.mckinsey.com/business-functions/business-technology/our-insights/disruptive-technologies
- 5. Общая характеристика исследования • Объем: более 100 технологий • Горизонт: среднесрочный (10-20 лет) • Источники: • Научные журналы • Технологическая и деловая пресса • Сделки венчурных фондов • Тысячи интервью с ведущими экспертами и лидерами бизнеса • Критерии: • высокий темп технологических изменений (high rate of technology change) • широкая потенциальная сфера влияния (broad potential scope of impact), • затронуты большие отрасли экономики (large economic value that could be affected), • существенный потенциал прорывных экономических последствий (substantial potential for disruptive economic impact) • Общий результат: • 12 технологий • общая прямая выгода от внедрения к 2025 году оценивается в пределах от $14 трлн. до $33 трлн., причем большую часть этого прироста получат экономически развитые страны
- 10. Почему сейчас (потребности)? • Умирание старых/ появление новых специальностей время сжимается • Технологии обучения мало изменились • «Пифагор» • «Монастырь» • «Школа» • Вывод: образовательные технологии - тормоз развития современной экономики!
- 12. «Пифагор»: Учитель в центре Greece Sumerians Rome India China
- 13. «Монастырь»: Книга в центре. Книги уникальные и ОЧЕНЬ дорогие.
- 14. «Школа»: Учебник в центре. Учебник стандартный и дешевый. Ничего не изменилось: • учебник —> iPad • деревянная доска —> пластиковая доска • мел —> фломатер И это все !
- 15. Почему сейчас? • Зачем нужны компьютерные обучающие системы? Существующие образовательные технологии как тормоз развития современной экономики. • Почему сейчас? Яркие успехи применения Big Data и Искусственного интеллекта в близких областях (например, биржевая торговля, рекомендательные системы). • Как могут Big Data и Искусственный интеллект улучшить on-line обучение? Необходимые условия интеллектуального управления обучением; персонификация обучения на основе Big Data. • Каков потенциал персонификации on-line обучения? Нет технических препятствий сделать компьютерные обучающие системы настолько же эффективными, как и лучшие репетиторы или персональные тренеры. • А можно еще лучше? Не понятно, надо пробовать. Вычислительная педагогика и квантовое управление процессом обучения как близкое будущее.
- 16. Почему сейчас (возможности)? • Развитие ИКТ/интернета, возможность накапливания и обработки больших объемов данных (big data) • Успехи data sciences/ machine learning в финансах, производстве и др. областях • Проблема: адаптивность/ персонификация/ индивидуализация обучения
- 17. Всем известно The global data storage, Exabyte
- 18. The global The global computing power, 1018 ops/sec Ref: «The world’s technological capacity to store, communicate, and compute information» by Hilbert & Lopez, Science, 2011
- 19. • Каждый день в мире производится 2,5 квинтильона (1018 ) байтов данных. 90%данных созданы за последние два года. • Каждый час Wal-Mart совершает 1 миллион сделок, пополняя базу данных на 2,5 петабайта (1015 ) - в 170 раз больше объема данных Библиотеки Конгресса США. • Объем отправлений, доставляемых американской Почтовой службой за один год, равен 5 петабайтам, а Google обрабатывает такой же объем данных всего за один час. • Суммарный объем всей существующей на земле информации составляет несколько больше одного зеттабайта (1021 ). Ref: Брюхов Д.О., Вовченко А.Е., Калиниченко Л.А., Ковалев Д.Ю., Скворцов Н.А. Извлечение и интеграция информации из больших данных. ИПИ ФИЦ ИУ РАН - http://synthesis.ipi.ac.ru/synthesis/student/BigData/ DataIntegration2016/L1%20Introduction.pdf
- 20. Немного истории Nature 455, 1 (4 September 2008). doi:10.1038/455001a; Published online 3 September 2008 Clifford Lynch, editor May 2011 http://www.mckinsey.com/business-functions/business-technology/ our-insights/big-data-the-next-frontier-for-innovation Alexander Ryjov. Towards an optimal task-driven information granulation. In: Information Granularity, Big Data, and Computational Intelligence. Witold Pedrycz and Shyi-Ming Chen (Eds.). Springer International Publishing Switzerland 2015, pp. 191-208 h"p://link.springer.com/chapter/10.1007%2F978-3-319-08254-7_9
- 21. Большие данные - большие перспективы Ref.: http://www.mckinsey.com/mgi/publications/big_data/index.asp
- 22. Некоторые факты The use of big data will underpin new waves of productivity growth and consumer surplus Использование больших данных ляжет в основу новой волны роста производительности труда и потребительского изобилия
- 23. Где есть данные? В чем потенциал?
- 24. Big Data - не просто… • Как собрать? Как и где хранить? Как искать? - «технические проблемы». • Аналитика больших данных - ценность для бизнеса: • Биржи 1): • 70% торгов на Уолл-стрит осуществляются через роботов • В России на долю роботов приходится почти половина заявок на ММВБ и до 90% на срочном рынке РТС • На EUREX алгоритмическая торговля уже составляет 90%, и эта цифра стремится к 100 процентам • Торговля 2): • Amazon.com утверждает, что 40% продаж генерируются через механизмы рекомендаций. • Социальные сети 3): • 50% выбора работы на LinkedIn - прямой результат рекомендаций • … Примеры - https://www.youtube.com/watch?v=1bo27Jkn5OI Ref 1: Восстание машин. Роботы захватили и разоряют мировые биржи? - Версия. №44 от 14.11.2016 - https://versia.ru/roboty-zaxvatili-i- razoryayut-mirovye-birzhi Ref 2: http://kpis.ru/2008/04/29/Item_to_Item_Amazon.html#.WDBK3aKLRE4 Ref 3: https://www.quora.com/How-does-LinkedIns-recommendation-system-work? cm_mc_uid=39580370786314790366644&cm_mc_sid_50200000=1479560781
- 26. Как могут Big Data и Искусственный интеллект улучшить on-line обучение? • Зачем нужны компьютерные обучающие системы? Существующие образовательные технологии как тормоз развития современной экономики. • Почему сейчас? Яркие успехи применения Big Data и Искусственного интеллекта в близких областях (например, биржевая торговля, рекомендательные системы). • Как могут Big Data и Искусственный интеллект улучшить on-line обучение? Необходимые условия интеллектуального управления обучением; персонификация обучения на основе Big Data. • Каков потенциал персонификации on-line обучения? Нет технических препятствий сделать компьютерные обучающие системы настолько же эффективными, как и лучшие репетиторы или персональные тренеры. • А можно еще лучше? Не понятно, надо пробовать. Вычислительная педагогика и квантовое управление процессом обучения как близкое будущее.
- 27. Mindset для smart learning • Система управления • Объект управления • Среда • Критерий 27
- 28. Mindset для smart learning • Система управления • Объект управления • Среда • Критерий 28 Телеметрия Управление Критерий
- 29. Mindset для smart learning • Система управления • Объект управления • Среда • Критерий 29 Трэкинг Управление контерном Критерий
- 30. Трэкинг/ измерения 30 Трэкинг Управление контентом Критерий Нет smart learning без измерений • Что мы может измерять? • Время • Количество правильных/ не правильных ответов • Стиль (играется мышкой?) • Аудио/ видео обстановку • Показания health trackers • …
- 31. Управление контентом 31 Трэкинг Управление контентом Критерий Нет smart learning без вариативного контента • Что мы можем менять? • оформление контента (цвет, картинки) • Последовательность подачи/ навигация • Уровень сложности • Перерыв • Турбо-режим • …
- 32. Цели/ критерий управления 32 Трэкинг Управление контентом Критерий Нет smart learning без четкого критерия • Возможны различные критерии • Максимальный объем за заданное время • Заданное качество за минимальное время • Критерий задается извне
- 33. Персонификация • Уровни персонификации (примеры): • Если ученик слабый (сильный) - не давать сложное (простое) задание • Если ученик устал - отложить сложное задние • … • Надо уметь (как минимум): • Определять сложность задания (простое - сложное) • Классифицировать учеников (слабый - сильный)
- 34. Сложность задания IRT (Item Response Theory (syn: latent trait theory, strong true score theory, modern mental test theory))
- 38. Классификация учеников Оптимизация: • дисбаланс классов • степень нечеткости Количество кластеров Степень нечеткости Дисбаланс 3 0,268 0,813 4 0.28 0,927 5 0.28 0,887 6 0.29 0,858 7 0.28 0,906 8 0.3 0,942 c-means (FCM, с-средних)
- 39. Классификация учеников (решение задания) История (70:30) Обучение (на 70%) • k-Nearest Neighbors algorithm (алгоритм k Ближайших Соседей) • Random forest (комитет решающих деревьев) • AdaBoost (Adaptive Boosting — усиление классификаторов, путём объединения их в комитет) • Gbm (Gradient boosting) Тестирование (на 30%) Ошибки 1 и 2 рода
- 42. Профили
- 43. Минимальная верхнеуровневая архитектура Обучение (первичные измерения) Тестирование Система оценки и мониторинга принадлежности к классам • Внимательность • Скорость • Выносливость • Обработка Система оценки и мониторинга процесса обучения • Очень легко • Штатно • Очень тяжело Система генерации сценария обучения • Тип контента • Последовательность • … Система оценки и мониторинга качества обучения • Отлично • Хорошо • Удовлетворительно • Плохо
- 44. Расширенная верхнеуровневая архитектура Обучение (первичные измерения) Тестирование Система оценки и мониторинга принадлежности к классам Система оценки и мониторинга процесса обучения Система генерации сценария обучения Система оценки и мониторинга качества обучения Система оценки и мониторинга психофизического состояния Система оценки и мониторинга окружающей среды Приборы Мини-тесты Гаджеты Датчики PC/ планшета • Внимательность • Скорость • Выносливость • Обработка • Очень легко • Штатно • Очень тяжело • Тип контента • Последовательность • … • Отлично • Хорошо • Удовлетворительно • Плохо
- 45. Детализация минимальной архитектуры Первичные измерения (цифры) Система оценки и мониторинга принадлежности к классам Система оценки и мониторинга процесса обучения Система генерации сценария обучения Система оценки и мониторинга качества обучения Лингвистическое представление (принадлежность к понятиям) A X=x*; Y=y* Xx* маленький большой Если A=маленькая и B=большая то Z1 Если С=маленький то Z2 … Логическое представление (нечеткие правила) • Внимательность • Скорость • Выносливость • Обработка • Очень легко • Штатно • Очень тяжело • Тип контента • Последовательность • … • Отлично • Хорошо • Удовлетворительно • Плохо
- 46. Каков потенциал персонификации on-line обучения? • Зачем нужны компьютерные обучающие системы? Существующие образовательные технологии как тормоз развития современной экономики. • Почему сейчас? Яркие успехи применения Big Data и Искусственного интеллекта в близких областях (например, биржевая торговля, рекомендательные системы). • Как могут Big Data и Искусственный интеллект улучшить on-line обучение? Необходимые условия интеллектуального управления обучением; персонификация обучения на основе Big Data. • Каков потенциал персонификации on-line обучения? Нет технических препятствий сделать компьютерные обучающие системы настолько же эффективными, как и лучшие репетиторы или персональные тренеры. • А можно еще лучше? Не понятно, надо пробовать. Вычислительная педагогика и квантовое управление процессом обучения как близкое будущее.
- 47. Куда придем FAT гарантирует существование решения
- 48. А можно еще лучше? • Зачем нужны компьютерные обучающие системы? Существующие образовательные технологии как тормоз развития современной экономики. • Почему сейчас? Яркие успехи применения Big Data и Искусственного интеллекта в близких областях (например, биржевая торговля, рекомендательные системы). • Как могут Big Data и Искусственный интеллект улучшить on-line обучение? Необходимые условия интеллектуального управления обучением; персонификация обучения на основе Big Data. • Каков потенциал персонификации on-line обучения? Нет технических препятствий сделать компьютерные обучающие системы настолько же эффективными, как и лучшие репетиторы или персональные тренеры. • А можно еще лучше? Не понятно, надо пробовать. Вычислительная педагогика и квантовое управление процессом обучения как близкое будущее.
- 49. Cloud Education XIX vs. Education XXI Ref: Alexander Ryjov. Disruptive technologies: transforming health care, education, and government. The 2nd APEC e-Government Forum and IAC 10th Anniversary Event. September 28-29, 2015, Waseda University, Tokyo, Japan.
- 50. Возможности • Ассоциативные правила - неочевидные эффективные зависимости. Лучше специалиста (второй закон И. Ньютона). • Квантовое управление - генерация «хорошего решения» из нескольких «плохих». Лучше консилиума специалистов (закон С.В. Ульянова). • Новая «вычислительная педагогика» разрешит противоречие экономики XXI века.
- 52. Рыжов Александр Павлович +7.916.323.4499 ryjov@mail.ru Skype: alexander.ryjov LinkedIn: ru.linkedin.com/pub/alexander-ryjov/1/957/859 http://www.intsys.msu.ru//staff/ryzhov/