好未来AILab负责人刘子韬:AI+教育中的四大挑战|CCF-GAIR2019【葡京集团app】

本文摘要:根据:7月12日至7月14日,2019年第四届全球人工智能和机器人峰会(CCF-GAIR)在深圳月开会。

葡京集团游戏

根据:7月12日至7月14日,2019年第四届全球人工智能和机器人峰会(CCF-GAIR)在深圳月开会。峰会由中国计算机学会(CCF)主办,由香港中文大学(深圳)主办,由深圳市人工智能和机器人研究院主办,深圳市政府大力指导,是国内人工智能和机器人学术界、工业界和投资界三大领域的顶级交流博览会,目的是创造国内人工智能领域强大的跨境交流合作平台。7月14日,表示议程转移到第三天,这次大会也进入了一天的智能教育专业场所。

在这个专业场所,美好的未来,AI实验室负责人刘子指挥博士在同一个舞台上,实现了以BuildngTheNext为题目的主题演说。在演说中,刘子命令从未来在智能教室的探索和研究实践中到达,谈到了AI指挥教育发展过程中数据提供的复杂性,谈到了AI指挥教育中的四个挑战,一个是数据量少。机器学习一定要有标签的数据,而教景的数据大部分没有标签,有标签的数据非常少,二是异构性。

异构性和多模式是强烈的初始化,有不同来源产生的数据,有自然的异构性三是数据的质量问题。一般来说,我们的标签提供非常困难,上课预测这门课好不好,好不好,这时标签的主观性非常强,十个人给老师评分,六个好,四个坏,这门课好还是坏,六点四分谈,这是歧义四个评价。短期无法分析,对AI有些困难和影响。

因此,刘子指挥在未来面临挑战的过程中明确提出的AI指令关系和解决方案,提出了适当的案例,如数据包标签、作业辅助测试、在线教室监视等。最后,刘子命令在AI参加教育应用的过程中遇到的许多问题都没有研究过其中有很多挑战,当然也有很多机会。演讲结束后,刘子命令拒绝接受采访。对于AI如何提高教育能力的问题,刘子命令对AI作为技术本身的基本发挥了提高效率的作用,Google提高了人们搜索和获得信息的效率,AI指导在某种程度上也提高了教育领域的效率,如作业自动测试、教育领域的运营管理(例如教育机构)等以下是刘子指挥在CCF-GAIR大会上的演说内容,展开了不改变意图的编辑整理。

今天,我代表良好的未来,与大家分享未来在智能教室的探索和研究,今天主要谈谈我们的进展和全过程中面临的困难和挑战。好的未来是以智能教育和开放平台为主体,以素质教育和课外指导为载体,在世界范围内服务公营教育,帮助民间教育,探索未来教育新模式的科技教育公司。好的未来人工智能实验室是好的未来在集团范围内的AILab,其责任是通过AI技术赋予好的未来各事业线,让好的未来各事业部享受先进设备的AI技术。对于一个好未来的AI来说,我们要超越哪些目的?我们有四个愿景:第一,我们希望通过人工智能获得更高质量的教学内容;第二,我们希望通过人工智能获得更有效的教学体验;第三,我们希望获得更科学的评估;第四,更公平的教育资源。

当我们提到教学或者AI,教学时,最重要的是什么?我们中间最重要的是教育环境,也就是Learningenvironments。当我们谈论教学场景时,我们可以做出一个非常简单的区别,例如,选择z线可以看到教室里有多少学生。例如,1对1,也可以是在线小班,3~9人,传统的面试教室有20~50名学生,大班网络学校有可能不存在90、100、500名学生。

这是课堂上的学生数量。横轴是年龄,可以是幼儿园、小学、中学、高中、大学。

纵轴是放学的形式。放学的形式分为在线放学,在教育点的在线放学,在线直播的方式,学生在学生家,老师在老师家直播放学,这里只列举一些纬度,还有学科,如数学课、英语课、物理课等科目。不同的维度可以细分场景,其中各有其独特性。

例如,教育小学在线一对一教育传统在线大班高中生,只有相当不同。自学场景不同,数据不同,教育设计理念不同。对于不同的教育场景,AI必须对各部分进行部分。

教育和AI最宝贵的是什么?这是一个非常丰富的数据,数据是每个场景都能产生的数据。这些数据的发生也选择了两个维度来区分。

上一行是数据什么时候发生的?首先,放学前会产生什么样的数据,除了一些学生的课前,不包括家长、销售和学生之间的交流记录;其次,课堂上不会产生宝贵的数据;再次,课后,学生的课后练习问题、家长的系统和报告不会产生。产生数据的主体是老师、学生,中途有相当大的环节,这里不叫管理者。什么是管理者?管理者是比较绿色的概念,在整个教育过程中,包括课前、课中、课后、教育管理者、与家长交流的自学计划者、顾问、销售。包括管理老师的人在内,教育机构有很多老师,如何管理老师,使他们的教育质量完全一致,一致化,产生了很多数据。

这里是细粒度的区别,推荐几个例子,上课时老师能做什么?老师可以和学生发起语音对话,Voice,大学生可以换脸,换场景。老师手里有什么?老师手里有很多Pad、智能笔,学生手里没有很多解答器,学生可以用解答器和老师对话,课堂上没有很多数据。管理者有售前销售,给家长销售什么课程,和销售的聊天记录。课后结束后,自学计划师不会和家长交流,也不会告诉他这个课的学生怎么样,孩子怎么样,这些都有交流,不会以数据的形式溶解,数据的发生和全过程的控制对于AI课程来说是最重要的。

以前说过教育的数据,各个阶段都会产生各种各样的数据,这些数据产生后会怎样呢?比较学术的语言是Multimodal,也就是多模式,主流的多模式没有三种融合。一个是文本数据,很多数据以文本的形式产生。第二,放学后,大多数人不会以视频的形式记录,也不会有视频信息。

葡京集团app

三是还有一些语音信息,中间老师师说了什么,学生问了什么,这些数据不会被记录下来。对AI来说,这些都是宝贵的资源。一定是MultimodalMachineLearning,今年CMU的教授写了一篇新文章,文章很好地总结了Multimodal的问题。这里有五个问题。

1、如果是Multimodal,我们怎样才能密切学习自学的数据。2、Translation,有视频数据和音频数量。

3、Alignment,这两个对应一起,老师讲一个课件,这个课件是惯性的,第一个课件上面,第二个课件下面。4、Fusion。5、Co-Learning。

明确应用于必要的AI技术,这是大家解读的,更好的是方向性的,Multimodal?Machine?Machine?Learning必须区分不同的数据,必要的AI技术也是各种各样的,是各种各样的融合过程。例如,Speech,必须采用ASR、减震的方法,例如数据挖掘,需要更综合的能力,预测学生什么时候不陈列,如何向学生推荐最适合他的老师,包括个性化的科学知识图像,其所需的各种技能不同前面说了数据和大约AI的范畴,我们之间不会遇到什么挑战?这里的挑战非常多。一个是小数据。

各种教育场景可以产生大量数据,但大部分数据没有标签,小数据指标签的数据不太少,机械学习是需要标签的数据。二是异构性。异构性和Multimodal是强烈的初始化,数据由不同的来源产生,具有天然的异构性。

三是数据的质量问题。数据质量是什么意思?提供高质量的标签非常困难。

如果你想预测这门课是好是坏,你必须打一个标签。此时,标签的主观性非常强。你可能会给十个老师打电话。

你可能有六个好,四个坏。这门课的好坏有分歧。四是评价,短期内无法分析,对AI有些困难和影响。

基于上述问题,良好的未来实现了接地的AI,明确了解决问题的未来场景中问题的问题。我们配置的系统在良好的未来已经运行,每天处理成千上万的课程。这些工作公开发表在有关会议和顶级杂志上。

例如,包括WWW、ICDE、AIED等,包括我们配置的系统、教室的监视等维度、我们实现的中文评价传达等。慢慢推荐几个例子。

第一,我们今年已经在澳门的ICDE旗下公开发表了文章。如何在自愿包装的标签中自学?为什么我们在标签上自学?我们需要大量的数据来自学。除了大量的数据,我们还需要准确的标签。

现实世界上有标签的数据相对较小。我们该怎么办?毫无疑问,毫无疑问的。去找人标的是Crowdsourcing,找人标的数据一定不是大数据。

基于这种情况,如何用现有的方法解决问题现有的问题?我们的数据量受到限制,可以做一些Grouping。蓝色以事例,红色为负,蓝色为负,蓝色为100,红色为50,共计150个样本不能深度自学,样本单独小,但我们可以做一些人群和筛选,通过人群可以产生很多样本量。五个人打标签可能是3、2、最简单的情况下,3、3、2、0.6,每个人打标签都不同。

我们明确提出了深度自学的框架,通过Grouping的方法和样品标签的Confidence和Model的Learning,可以得到深度自学的模型。明确细节可以让读者详细了解我们的论文,LearningEffectiveEmbeddingsfromCrowdsourcedlabels:Aneducational在Casetudy。接下来,我们将解释自动批改作业。

自动测试的场景有哪些?自动测试不是你给我的中考试卷,我给你多少分,只是想解决问题的特定问题,比如一个学生在家解决问题,他的父母在侧面拍电影录像,这个录像不传播到我们的后端,后端没有程序我们不会给学生安排主题,好的未来不会说口头问题,口头问题想解决问题吗?众所周知,与外国人的开朗相比,中国人以前接受的教育应该令人钦佩和高调,这可能更木讷。我们希望中国人在这方面不会输给外国人。我们从小就培养学生的中文口语表达能力。基于这个大背景,我们希望孩子不时地说,我们希望小学生有问题,他能介绍这个问题的过程,我们不关系这个问题的答案,希望他能介绍,这是我们设计问题的想法。

从明确的案例来看,这个主题很受欢迎,效果也很好,但背后有老师不能改变的问题。例如,如果一个班有30个学生,一个学生上载2到3分钟的视频,老师听,写评论,改变,一个学生老师需要5分钟,有30个学生,老师需要150分钟,浪费时间。

那么,AI老师能做一些辅助测试吗?基于这样的想法,我们设计了AI辅助测试解决方案,我们有学生的答案和老师的标准答案,我们没有两个方面的文本,通过Transformer和报酬,通过Attention对学生提出的答案和相关问题进行深入的语义融合和决定,构筑口述问题的辅助测试。我们做了很多实验,我们的创造力明确提出的方法,打败了传统机器学习的方法、深度自学的方法。

明确的构建细节,可以参考我们今年在AIED上公开发表的论文AutomaticShortAnswerGradingGradingGramultiwayAttentionNetworks。说明我们在后台在线的现实系统。

系统是在线教室质量管理系统。推荐一个非常简单的例子,这是一个传统的在线一对一放学画面,一边是老师,一边是学生,中间是课件。其中的问题是什么?这门课下来的只有学生,只有老师,没有人告诉这门课怎么样。如果这个学生马上考试的话,他不爱人自学,成绩不好,经常在家玩游戏,如果这个老师不好好教学生上课的话,就教学生玩游戏的方法,不会再发生什么样的事情了学生开心,家长问学生这门课怎么样?学生会说,这位老师教得特别好,教得特别好……这种情况我们不期待再次发生。

葡京集团app

我们想消除传统教室不应该再发生的现象,人工检查的方法一定很接近。这个案例非常可怕。父母找到这种情况,父母相信这个品牌,不会产生退休和一系列可怕的口头传播。

因此,我们希望通过AI监视教室的质量,监视学生的维度和老师的维度。在学生维度上,我们期待这门课的学生频繁开口,不监视学生的传达次数,同时包括学生是否自愿提问、学生的提问次数、学生是否按老师的拒绝记笔记等。老师纬度我们不会监视更多。

我们希望提高整体教育质量。还包括红线语(老师上课是否说坏话)、老师的安静时间、老师是否问学生、老师是否带着学生的笔记、老师是否说与学科有关的事情、是否闲谈等。

第一步是一个非常简单的运营手段,有了这个我们就可以拥有运营的管理闭环,非常糟糕的事情再次发生,可以对老师进行处理,这是一个落地教学管理运营的闭环。这不是我们最后的目的,我们的目的是用AI获得充分的教育体验和超越良好的教育效果。

这种教学体验可以通过AI展开多维度分析,我们称之为四色分级,红色是最好的,绿色是最差的,课程结束后对课程进行评分,红色说明的话这个课程非常差,随着课程的发展和变化效果更好,最后期待绿色,这是课程的分析。在实现AI教育的过程中,有很多挑战,也有很多机会。

其中解决问题的许多问题是学术界从未存在过的问题,包括大众问题和许多小数据问题,现阶段学术界刚开始实现很多东西,包括小样本自学。刚才说明了AI教育的挑战和着陆的应用,往往里面的机会相当大,还没有研究过很多问题。

这里的挑战非常大,同时也有相当大的机会。非常感谢你AI投研邦最近在线CCFGAIR、2019峰会原始录像和各主题专业场白皮书,还包括机器人尖端专业场、智能交通专业场、智能城市专业场、AI芯片专业场、AI金融专业场、AI医疗专业场、智能教育专业场等。AI投研邦会员们可以免费观看全年峰会的视频和研究报告内容,扫描代码进入会员页面理解更多,或者私信助理慕(微信:moocmm)进行咨询。原始文章允许禁止发布。

下一篇文章发表了注意事项。

本文关键词:葡京集团游戏,葡京集团,葡京集团app

本文来源:葡京集团游戏-www.yzgjerry.com

相关文章