В последние годы технологии глубокого обучения совершили квантовый скачок, позволив исследователям перейти от простых моделей предсказания успеваемости к созданию полноценных ИИ-тьюторов. В центре этой образовательной революции стоят лауреат премии Тьюринга Йошуа Бенджио и сооснователь стартапа Korbit AI Юлиан Сербан, которые разрабатывают платформу для демократизации качественного образования через персонализированное активное обучение.
🎓 Демократизация знаний и рождение Korbit AI 0:00
Идея создания Korbit AI выросла из академических исследований Юлиана Сербана под руководством Йошуа Бенджио в институте MILA . В течение пяти лет они изучали персональных ассистентов (таких как Siri и Alexa), стремясь сделать их более интеллектуальными. Юлиан Сербан отмечает, что его личная мотивация была продиктована осознанием собственного «привилегированного» образования: он рос в развитой стране, имел доступ к помощи с домашними заданиями и учителям, которым было не всё равно .
Однако ситуация в глобальном масштабе иная:
- В развивающихся странах (например, в Нигере, который Сербан посещал в рамках волонтерской работы) наблюдается катастрофическая нехватка квалифицированных кадров .
- Пандемия COVID-19 только обострила существующее неравенство в образовании .
- По мнению Бенджио и Сербана, образование является долгосрочным решением социальных проблем, более важным для развития экономики, чем даже физическая инфраструктура .
Проект Korbit ставит своей целью создание ИИ-тьютора по имени Corby, который обеспечивает персонализированный подход, доступный ранее только обеспеченным слоям общества.
🧠 Технологический сдвиг: От экспертных систем к глубокому обучению 8:44
Долгое время «обучающие системы» строились на базе правил и деревьев решений. По словам ведущего Крейга Смита, такие системы были крайне ограничены: если студент отвечал «неправильно», его перенаправляли в одну ветку, если «правильно» — в другую . Главный недостаток заключался в невероятной трудоёмкости создания контента — эксперты тратили месяцы или годы на проработку логики одного курса .
Korbit принципиально меняет подход:
- Отказ от жестких правил. Система базируется на современных технологиях обработки естественного языка (NLP) и обучении с подкреплением .
- Скрапинг и структурирование. ИИ анализирует сотни тысяч открытых образовательных ресурсов (например, Википедию) и учится извлекать из них смысловые представления .
- Скорость создания курсов. Благодаря глубокому обучению, преподаватели могут создавать новые модули всего за пару часов, так как ИИ сам понимает соответствие между видео, текстом и упражнениями .
Юлиан Сербан сравнивает текущее состояние ИИ-тьюторов с мобильными телефонами 90-х годов: они громоздкие и имеют ограниченный функционал, но уже доказали свою жизнеспособность .
💼 Бизнес-модель и эффективность обучения 12:31
Хотя миссия проекта — глобальная демократизация, текущая бизнес-стратегия сфокусирована на сегменте B2B (корпоративное обучение). Юлиан Сербан объясняет это тем, что в компаниях существует огромный спрос на переподготовку сотрудников (upskilling) в области Data Science и ИИ . При этом каждый сотрудник имеет разный бэкграунд, и традиционный формат лекций для всех неэффективен .
Результаты исследований Korbit показывают значительное преимущество перед классическими массовыми онлайн-курсами (MOOC) :
- Вовлеченность: Время обучения студентов увеличилось на 73% по сравнению с обычными курсами .
- Мотивация: Студенты учатся быстрее и дольше сохраняют интерес за счет интерактивности .
- Адаптивность: Использование современных моделей, таких как BERT, позволяет системе мгновенно повышать точность взаимодействия со студентом .
На данный момент на платформе зарегистрировано около 10 000 студентов . Платформа доступна бесплатно для индивидуальных пользователей, желающих изучать основы ИИ и обработки данных .
🚀 Будущее: Внимание, разум и виртуальные аватары 29:06
Йошуа Бенджио утверждает, что мы находимся на пороге создания «глубокого обучения Системы 2» . Если текущие модели ИИ (Система 1) хороши в быстром распознавании паттернов, то будущие системы должны обладать способностью к сознательному рассуждению и высокоуровневому семантическому пониманию .
Ключевые направления будущих исследований:
- Механизмы внимания (Attention mechanisms). По мнению Бенджио, именно способность ИИ фокусироваться на отдельных концептах, подобно человеческому сознанию, позволит совершить качественный скачок в понимании языка .
- Трансформеры. Эта архитектура уже является стандартом в NLP, но её интеграция в образовательные системы для структурированного понимания мира — задача на ближайшее десятилетие .
- Психологический аспект. Йошуа полагает, что в будущем ИИ-тьюторы будут представлены в виде реалистичных виртуальных аватаров, способных выражать эмоции и оказывать психологическую поддержку . Это критически важно, так как успех обучения сильно зависит от эмоционального контакта между учителем и учеником.
⚖️ Этический контекст и цифровая грамотность 38:19
В завершение беседы Юлиан Сербан подчеркнул, что обучение ИИ — это не только техническая задача, но и вопрос выживания общества. По его мнению, крайне важно обучать людей критическому мышлению в отношении таких проблем, как алгоритмическая предвзятость (bias) и фейковые новости . Демократизация знаний об ИИ позволит не только улучшить экономику, но и подготовить граждан и политиков к принятию взвешенных решений в мире, где технологии меняются быстрее, чем образовательные стандарты .
