Machine learning: een stap naar de toekomst

learning-analytics | blog


April 2019. Tegenwoordig is het lastig om de hype rondom kunstmatige intelligentie en machine learning te ontlopen. 

Het is ook niet gek dat deze begrippen juist nu in het middelpunt van de belangstelling staan, gezien het enorme scala aan toepassingen die tegenwoordig worden geïntroduceerd, zoals het automatiseren van telefoongesprekken, de ontwikkeling van autonome voertuigen en intelligente robots. Het is een uitdaging om de soms cryptische mogelijkheden van kunstmatige intelligentie en machine learning te ontcijferen en deze te vertalen naar waardevolle oplossingen voor realistische problemen. Max Mertens gaat deze uitdaging, in samenwerking met Next Learning Valley, met enthousiasme aan. In deze blogpost zul je in dit traject worden meegenomen.

Next Learning Valley & kunstmatige intelligentie

Het is niet per toeval dat Next Learning Valley zich richt tot kunstmatige intelligentie en machine learning, om de geleverde service te optimaliseren en de gebruikservaring te verrijken. Curatr bevat namelijk een enorme bron van informatie om inzicht te vergaren in het gebruik van het platform en wat het effect is van de interacties op de (leer)ervaring en uitkomsten. Maar, juist omdat Curatr enorm veel informatie bevat, is het ondoenlijk om de kwaliteit van interacties en de gevolgen daarvan met mankracht te analyseren. Maar hoe zit dit voor kunstmatige intelligentie? Is het mogelijk om (een deel van) deze taak uit handen te geven door een algoritme deze taak op zich te laten nemen?

Hiervoor is het allereerst belangrijk om een deel van het mysterie rondom deze begrippen te ontrafelen. Kunstmatige intelligentie en machine learning worden namelijk vaak in één adem genoemd, terwijl ze in de praktijk sterk van elkaar verschillen. Simpel gesteld omvat kunstmatige intelligentie het principe dat levenloze objecten (zoals computers) taken kunnen uitvoeren op een manier die als “slim” valt te omschrijven. Tevens wordt kunstmatige intelligentie vaak verdeeld onder twee categorieën: Toegepast en algemeen.

De plek van machine learning in kunstmatige intelligentie

Algemene kunstmatige intelligentie heeft wat weg van het utopische beeld wat we kennen van de films: een systeem dat elke taak voor ogen aankan, onafhankelijk van de context. Een meer realistische en veel voorkomende vorm van kunstmatige intelligentie, is de toegepaste variant. Deze is zeer geschikt om specifieke taken uit te voeren, met soms een beter resultaat dan van een mens verwacht kan worden. Machine learning kan als subset worden gezien hiervan, en betreft de huidige state-of-the-art om computers met behulp van algoritmes in staat te stellen zelfstandig beslissingen te nemen en ook van de genomen beslissingen te leren.

Kortom, machine learning is ons huidige antwoord op gerichte vraagstukken omtrent kunstmatige intelligentie, en stelt computers in staat intelligente beslissingen te nemen, zoals het herkennen van personen in foto’s, het bepalen van beurswaarde aan de hand van talloze variabelen of het herkennen van patronen in geschreven tekst. Maar wat betekent dit voor Next Learning Valley, en hoe kan een dergelijk algoritme ons ondersteunen in het behalen van onze doelen? Een bekende valkuil is het groot denken zonder stil te staan bij de haalbaarheid, terwijl een deelverzameling van haalbare oplossingen vaak juist het antwoord is op grotere vraagstukken. Hierom beginnen we bescheiden met een realistisch, wetenschappelijk doorgrond en afgebakend principe: Leren in online omgevingen gaat het best in combinatie met gemeenschappelijke reflectie en kritische redevoering.

Analyseren van onderlinge interacties in Curatr

De effectiviteit van Curatr en de kwaliteit van (leer)ervaringen zijn dus afhankelijk van de onderlinge interacties en hun diepgang. Maar het is onrealistisch om handmatig de kwaliteit van de interacties binnen Curatr te classificeren binnen een termijn waarin een organisatie of individu hiervan kan profiteren. Oftewel, om inzicht te krijgen over de kwaliteit van onderlinge interacties binnen Curatr is een immens efficiënte werkkracht nodig die ons beslissingsproces kan kopiëren. Hoog tijd dus om machine learning in te zetten.

Om deze tijdsintensieve taak uit handen te geven, is het allereerst belangrijk vast te stellen wat een kwalitatief goede interactie precies inhoudt en waar deze aan moet voldoen. Deze stap is cruciaal, omdat een machine learning algoritme van voorbeelden moet worden voorzien van dat wat je probeert te voorspellen, in dit geval kwalitatief goede interacties binnen de leeromgeving. Om dit zo nauwkeurig mogelijk te doen wordt een coderingsschema gebruikt waarmee met omschrijvingen en voorbeelden van wat een goede bijdrage in de interacties inhoudt, ‘labels’ kunnen worden toegekend aan de verschillende bijdragen. 

Trainen van machine learning

Het toekennen van labels aan individuele interacties, oftewel het bepalen of een interactie wel of niet een kwalitatief goede bijdrage betreft, is de eerste stap voor het trainen van een machine learning algoritme. De labels geven aan wat de kwaliteit is van de beoordeelde interacties en worden direct doorgeven aan het algoritme, dat vervolgens patronen probeert te herkennen in kwalitatief (minder) goede interacties. Zo zal een kwalitatief goede interactie aantonen dat er proactief kennis wordt verwerkt en dat er eveneens verbanden worden gelegd tussen de materie en de al bestaande kennis. Door het observeren van de aan- of afwezigheid van dergelijke patronen kan het machine learning algoritme de kwaliteit van individuele interacties herleiden. 

Schematisch kader van gesuperviseerde tekst classificatie

Testen van machine learning

Nadat het machine learning algoritme is getraind en naar patronen heeft gezocht die kunnen wijzen op kwalitatief goede interacties, moet de nauwkeurigheid en toegevoegde waarde als hulpmiddel worden getest. Hiervoor wordt het algoritme van een nieuwe set van interacties voorzien, waarbij géén inputlabel wordt meegegeven (de handmatige classificaties van interacties), waarna het naar dezelfde patronen zal gaan zoeken die tijdens de trainingsfase duidden op kwalitatief goede interacties. Ditmaal kent het algoritme zelf de labels toe aan de beoordeelde interacties. De mate waarin de beslissingen van het algoritme overeenkomen met handmatige indelingen, representeert de nauwkeurigheid van het machine learning algoritme en is een indicatie van de effectiviteit.

Wanneer een machine learning algoritme de kwaliteit van de handmatige indelingen kan evenaren of zelfs overtreffen, is de expeditie geslaagd. Op dit punt is het mogelijk volautomatisch de kwaliteit van interacties en (leer)ervaringen te observeren en tevens met dit inzicht het leerproces te stimuleren. Waar dit al geweldige potentie heeft om (leer)ervaringen te verrijken binnen Curatr, houden de mogelijkheden hier niet op. Zo kan het inzicht over de (leer)ervaringen van gebruikers gebruikt worden om effectieve onderdelen binnen Curatr te herleiden, de geleverde facilitatie te stimuleren en om pedagogisch waardevolle momenten te herkennen. Maar, stel de mogelijkheden eens voor als het machine learning algoritme wordt verrijkt met performancedata, of juist als deelverzameling van een grotere oplossing wordt gezien.

Wat kan machine learning voor jou betekenen?

Al met al worden de uitdagingen van kunstmatige intelligentie en machine learning overschat terwijl de mogelijkheden worden onderschat. Waar machine learning ons in staat stelt tijdsintensieve taken uit handen te geven, is de ontwikkeling hiervan ook een uitvoerig traject. Hierom is het belangrijk op tijd te beginnen en groots, maar toch realistisch, te denken: Wat kan machine learning voor jou betekenen, hoe kan Next Learning Valley machine learning inzetten om jouw doelen te helpen halen en hoe zou ware kunstmatige intelligentie eruitzien binnen online leeromgevingen? Wij komen er graag achter, jij ook? 



 

a2hs_explain
a2hs_tap
a2hs_then