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

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.

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.

Прорывные технологии: преимущества, которые изменят жизнь, бизнес и мировую экономику

http://www.mckinsey.com/business-functions/business-technology/our-insights/disruptive-technologies

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

Почему сейчас (потребности)?

• Умирание старых/ появление новых специальностей время сжимается

• Технологии обучения мало изменились • «Пифагор» • «Монастырь» • «Школа»

• Вывод: образовательные технологии - тормоз развития современной экономики!

«Пифагор»: Учитель в центре

Greece Sumerians

Rome India China

«Монастырь»: Книга в центре. Книги уникальные и ОЧЕНЬ

дорогие.

«Школа»: Учебник в центре. Учебник стандартный и дешевый.

Ничего не изменилось: • учебник —> iPad • деревянная доска —> пластиковая доска • мел —> фломатер

И это все !

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.

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

Всем известно

The global data storage, Exabyte

The global

The global computing power, 1018 ops/secRef: «The world’s technological capacity to store, communicate, and compute information» by Hilbert & Lopez, Science, 2011

• 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

Немного историиNature 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

Большие данные - большие перспективы

Ref.: http://www.mckinsey.com/mgi/publications/big_data/index.asp

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

Где есть данные? В чем потенциал?

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

EdTech market landscape

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.

Mindset для smart learning

• Система управления

• Объект управления

• Среда

• Критерий

27

Mindset для smart learning• Система управления

• Объект управления

• Среда

• Критерий

28

Телеметрия

Управление

Критерий

Mindset для smart learning• Система управления

• Объект управления

• Среда

• Критерий

29

Трэкинг

Управление

контерном Критерий

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 • …

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 • …

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

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)

Сложность заданияIRT (Item Response Theory (syn: latent trait theory, strong true score theory, modern mental test theory))

Сложность задания

Кластеризация заданий

легкие/сложные/очень сложные

Кластеризация заданий: легкие/сложные/очень сложные..?

Классификация учеников

Оптимизация:• дисбаланс классов• степень нечеткости

Количество кластеров Степень нечеткости Дисбаланс3 0,268 0,8134 0.28 0,9275 0.28 0,8876 0.29 0,8587 0.28 0,9068 0.3 0,942

c-means (FCM, с-средних)

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

Классификация учеников (прогнозирование решения задания)

Ассоциативные зависимости

Профили

Минимальная верхнеуровневая архитектура

Обучение (первичные измерения)

ТестированиеСистема оценки и мониторинга принадлежности

к классам

• Внимательность• Скорость• Выносливость• Обработка

Система оценки и мониторинга

процесса обучения

• Очень легко• Штатно• Очень тяжело

Система генерации сценарияобучения

• Тип контента• Последовательность• …

Система оценкии мониторинга

качестваобучения

• Отлично• Хорошо• Удовлетворительно• Плохо

Расширенная верхнеуровневая архитектура

Обучение (первичные измерения)

ТестированиеСистема оценки и мониторинга принадлежности

к классам

Система оценки и мониторинга

процесса обучения

Система генерации сценарияобучения

Система оценкии мониторинга

качестваобучения

Система оценки и мониторинга

психофизическогосостояния

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

Детализация минимальной архитектуры

Первичные измерения (цифры)

Система оценки и мониторинга принадлежности

к классам

Система оценки и мониторинга

процесса обучения

Система генерации сценарияобучения

Система оценкии мониторинга

качестваобучения

Лингвистическое представление (принадлежность к понятиям)A

X=x*; Y=y*

Xx*

маленький большой

Если A=маленькая и B=большая то Z1Если С=маленький то Z2… Логическое представление (нечеткие правила)

• Внимательность• Скорость• Выносливость• Обработка

• Очень легко• Штатно• Очень тяжело

• Тип контента• Последовательность• …

• Отлично• Хорошо• Удовлетворительно• Плохо

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.

Куда придем

FAT гарантирует существование решения

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.

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.

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.

Более широкий контекст

���������

�������������� ����������

���������������������������

������������������ ���������� ��������������������������

����������� ������������������������������������������������ ������ ���� �������� ���������� ���� ������ ���������������������������� �������������������������������������������� ��� � �������������� ��� ������ ��������������� ������������ �� �� �������� ����� ����������� ������������� ������������������������������������������������������ �������� ������� ��� ���������� ��������� �������� ����������� ������� ��������� ������� ������� ����������������������� ��������������������� ������� ���� ��������� ������ ��� � ������� ��� ���� ���� ���� ��� ����������� �������� ��� �� ������� ��� ��� �� �������!���"��������������������������������������� ��#��� �� ������ ���� ���� ����� �������� � �� � ���� ���� ������������ ���# � ������� �� � � ������������� ��� ����������� ������������������#��������������������������������������� � $��� �� ����������� ������������ "���#!���� %� ������������ ��� ����� ����� ������ ��� ���!���������� ������� ������������� �������!��� �� ����������!��� ����� ����� ����� � �� � �������� � ������ �� ���������� ������ ����������� ����� #$����� ���������� ������� �� ��!��������������������������������������� ��������

������������ ���������������%&��� ������������������������������� ����������������� ��!������'������ ����������������������������� ������()�������%�*��������������+�����,������������-&./�(0����'��������-1��&���������"#�� �������� �������������������������!���������������������$#���� ���������� ������������!���

���������������

Рыжов Александр Павлович+7.916.323.4499ryjov@mail.ruSkype: alexander.ryjovLinkedIn: ru.linkedin.com/pub/alexander-ryjov/1/957/859http://www.intsys.msu.ru//staff/ryzhov/