某某发电机公司
Mou Mou Jidian Generator
客户统一服务热线
020-88888888
11409646686
020-88888888
11409646686
2017年7月国务院公布《新一代人工智能发展规划》，规划中尤其提及，将减缓推展新型教育体系、智能校园建设以及研发智能教育助理。随着人工智能技术的发展，AI+教育赛道受到资本欢迎，好未来、新东方、VIPKID、51talk、沪江、科大讯飞、英语流利说道等公司陆续宣告发力人工智能+教育， 集体打响攻坚战； 在人工智能自适应自学领域，Knewton、乂习教育顺利融资等国内外大额融资事件性刺激市场关注度加剧。全国仅次于的中小学在线作业平台一起教育科技也重新加入这一赛道，公开发表宣告发力人工智能自适应教育。2018年3月20日，K12在线教育平台一起作业宣告已完成2.5亿美金E轮融资，踏入10亿美金估值独角兽行列，同时，将公司品牌从“一起作业”改回“一起教育科技”，并且公布了“Socrates”智能自学系统。
官方资料指出，目前公司整体业务还包括一起作业、一起学、一起公益。而本轮融资将用作投放优质的教育内容、人工智能和教育公益。截至2018年3月，一起教育科技用户数超过6000万，包括4000万学生，2000万家长以及190万教师。
用户涵括中国31个省，363个城市近12万所学校，平台上每天不会产生上亿条作业不道德。该公司回应，自公司正式成立以来就在技术方面持续投放，2017年，正式成立人工智能团队，研发改良自适应自学系统，并落地多款人工智能教育产品，全面前进人工智能方向布局。
回到公司总部，对一起教育科技CEO刘畅和算法产品总监罗侃展开了采访。为什么引进人工智能？2017年一起教育科技 AI 团队正式成立，主要探讨在 AI 技术在教育领域的研究和应用于。研究方向主要还包括语音辨识、图像识别、自然语言解读、 数据挖掘等领域。
团队自律研发了一系列 AI 成果并且应用于在教育领域, 其中还包括口语评测、 手写辨识、作文测验等。谈及为什么引进人工智能，刘畅说道：“因为我们常常不会低估技术眼前对于业务的转变，但是不会高估技术对于整个教育行业，当然也还包括对其他行业的改建。所以把时间线变长来看，你也不告诉作业测验的、给家长放评语的、发送到报告的，是一个人还是一个机器。
这些大概率不会被机器代替。所以并不是今天出于某种营收或融资的压力来做到所谓的人工智能，而是基于对于行业的解读和对于用户市场需求的解读，我们是基于这个预判来展开投放。
”一起教育科技人工智能技术一起教育科技人工智能产品中运用了图像识别、语音交互、自然语言处置、深度自学等技术。人工智能团队指出技术应当为应用服务，自学的过程中知识点掌控只是开始，学科能力也只是个性化自学路径的中间过程，最后的目的是掌控举一反三的跨学科综合能力。
这种能力体系的建设依赖非常丰富的素质教育内容和智能临床、智能引荐等人工智能技术的融合。在3月20日发布会上，月将该自学系统命名为“Socrates 智能自学系统”。现阶段，人工智能在教育领域主要反映在自适应自学方向。
而“Socrates 智能自学系统”，是经过改良的一套自适应自学系统。《解码自适应自学》的报告中定义，“自适应自学是一种教育科技手段，它通过自律获取合适每位学生的独立国家协助，在现实中与学生产生动态对话。
”自适应自学的核心思想是通过建构每个学生的能力评测模型, 来对学生展开自定义简化的教育, 从而构建千人千面, 更进一步提高自学效率。在 Socrates 智能自学系统下，系统不会根据学生的数据量身自定义个性化自学路径，以构建学生科学知识和能力联合发展的目标。在科学知识层面不超强纲、不落后，让学生用较少的时间、更加有效地的锻炼，达成协议知识点的掌控和跨学科思维能力的建设，自学科学知识的同时取得终生获益的思维方式。
在传统的自学规划中, 受限于老师的人力成本, 对每个学生的能力缺少精细的评估, 从而造成对每个学生的自学规划是大致相同的, 同学们都在同一个工程进度下展开自学，如果需要更佳地对学生展开评测, 从而需要获取给定学生当前的能力的教材、作业、考试，这将很大的提升学生的能动性和自学效率。从技术角度谈，在线教育要想要确实超过有效地必须已完成下面的闭环：1. 精确评测学生水平。
2. 针对现有水平启动时训练。3. 针对薄弱点背后训练思维能力。4. 再度测试学生水平。
在上述步骤当中，精确测试是基础也是最好的步骤。只有精确告诉学生现实的水平才能展开针对性自学和训练。是先前萃取科学知识薄弱点和背后的思维模型薄弱点的关键。
人工智能团队回应经历了多个阶段探寻。2015年, 一起教育科技引进了 IRT ( Item Response Theory ) 模型对学生能力展开评测。但是随着业务的扩展, IRT 本身不存在着一定的缺失。
IRT 的目的的通过对学生的做题来评估学生的能力，IRT 假设所有题目都是独立国家不相关的。但是实际中, 做题的顺序, 以及题目之间的关系对学生能力的最后评估起着了十分最重要的起到。
荐个例子, 如果一个学生做到了100道题目, 只对了50道题目, 那么否指出学生的能力为50分(评分100), 如果这个学生是一开始做错了50道题, 而后面50道题目全部做对呢?为了更佳的回应时序特征序列, 2016年引进BKT (Bayesian Knowledge Tracing ) 和 DKT(Deep Knowledge Tracing ) 模型。BKT 模型在很长一段时间内作为最热门的刻画学生自学过程的时序模型, 可以基于答题记录明确跟踪到某个知识点掌控程度上的转变，这个刻画对某些类型的产品（应试教育类）是非常适合的， 但是缺点在于参数估计稳定性只不过并很差，EM 算法下并无法确保居合道唯一参数，并且在单体多知识点的处置上面, 不会遇上参数发生爆炸的问题。一起教育科技融合了两种模型的特点使用两层 LSTMP 来更换 DKT 最初模型的 RNN 模型。
LSTMP 可以通过 gate 来掌控关键时序序列的信号, 使模型需要有更长的时序密切相关。同时在大数据训练情况下, 可以有效地的防止梯度消失和梯度发生爆炸现象。对于 IRT 而言，模型递归后，数值出来 theta 值以及题目集的参数，通过这些参数可以数值出对特定知识点的掌控程度。
而DKT则是在训练完结的 sigmod 层可以算数出来学生对每个知识点的掌控程度，所取数学数据举例, 一起科技在小学数学和中学数学上分别计算出来对学生答题的预测准确度。DKT 在 AUC 上要显著好于 IRT的评测效果。更进一步 , 针对每个学生, 可以计算出来出有在时刻 T 上该学生的能力分布图。
以上是针对学生个体建构能力分布图, 基于 DKT 模型对题目展开建模( Chris Piech NIPS 2015 )，可以基于一组时序做到题历史记录来预估某道题的被掌控可能性。另外, 融合教研, 对题目本身展开更进一步抽象化概括, 例如 知识点、考点、错因等，可以更进一步挖出知识点(考点、错因)之间的关系。通过关联度的统计分析, 可以更进一步挖掘出最重要的知识点以及考点, 例如对前置权重的统计资料加成反应, 可以获得关键知识点。
基于权重的无监督聚类, 则可以协助找到知识点之间的校验性。例如右图，图中心方位的知识点为一元二次方程的求解-配上方法，从此知识点抵达，与其相关度很高的是一元二次方程根判别式和一元二次方程求解-公式法，其后乃是开始认识三角形类的知识点以及勾股定理，而其前置乃是一元一次方程类的知识点。
从机器所自学出来的结果上看，一元二次方程的求解-配上方法是一个承上启下的知识点，这个不但合乎现行的教学大纲，而且从出题的知识点人组的经常出现概率来看，也是很高频的一个考察点。一般情况下, 教学知识点都是以树状的形式展现出出来, 这样可以很好的反映出有教学的工程进度以及概念的分层, 但是却很难找到知识点与知识点的内在关系, 通过建构图的方式, 而 DKT 模型可以将知识点图谱和知识点树根有效地的融合一起, 为学生获取更加非常丰富的自学路径。大数据为人工智能算法获取燃料从技术上谈，一起教育科技数据持续并且精确。
每个 ID 都是发帖初始化，可以准确取得教材版本、学生班级、教学老师、自学工程进度、作业情况，并且随着学生年级提升数据持续改版。根据2018年3月份近期数据，公司享有6000万用户，其中包括4000万中小学生，数据量本大，测试周期大幅延长，为先前人工智能奠定良好基础。iTunes了一起作业学生末端App尝试登记，登记页面表明必须输出老师给的号码才能重新加入，页面“没老师号”按钮，自动经常出现弹框表明”必须输出老师号，来寻找你的班级，若你的老师并未获取，请求告知老师。
”以这样的设置，确保了数据的真实性和有效性。数据体系分成三层：1. 内容层（Content Level）：包括有知识点、能力、可玩性等标签，各个标签之间建构依存关系继而上汇总而出的一张科学知识图谱。2. 用户属性层（User Profiling Level）：主要包括用户的属性数据，如ID所属地区、学校、教材以及用户画像标签。3. 用户不道德层（User Behavior Level）：主要是指用户在日常用于的构成的不道德数据，例如同地区用户用于的题目。
引荐策略整体上不会通过多层数据，更为科学启动时老师和学生所需的内容。比如说针对知识面较宽而深度能力合格的用户更加多给定知识面角度设计的推题，而针对知识面甚广深度过于的学生逐步从能力体系角度展开阶梯型推题。
确保每道题都让学生既维持做题的兴趣，又不至于无以到无从下手。此外，启动时策略不会同时顾及“德才闻行”四个方面展开考量，不会对素质教育涉及内容以及提高学科核心素养的内容有更加强劲的注重。引进人工智能效果如何？至于如何能提升学生做到题专心度和效率，罗侃关上一起作业学生末端App，一旁展示并向(公众号：(公众号：))说明：“我们只不过在iOS和安卓 App里都另设采访容许，从和老师接入的时候，就引领他们让孩子在做题时可以把这个采访性容许关上。所谓采访性容许，就是你不能进这几个App，其他是瞄准的。
还有一个方法是我们每次布置作业，系统不会大概率估计每一次作业的时间。比如说这次作业10分钟做完，如果这个孩子做到了30分钟，系统就指出这个孩子是不是在偷玩什么别的，否则为什么10分钟的题他30分钟才做完，是不是遇上什么艰难，不会有措施来解决问题这个问题。”此外，为了唤起学生自学的兴趣，在App里设置了基于自适应自学过关类产品，罗侃谈及：“我们不会根据学生的锻炼结果，动态计算出来并调整下一个关卡锻炼的内容范围以及可玩性。
比方说学有余力的孩子锻炼的关卡数量就不会较少，锻炼的题目也不会更加无以。”谈及这款产品背后的技术，罗侃说道：“自适应自学其中一个十分最重要的基础是学生的项目管理结果，只有告诉学生当前掌控的情况才能得出更为精准的锻炼内容。目前早已被检验过的模型就是 IRT 模型。2014年我们就在线上系统里面引进了 IRT 模型。
国外很多项目管理公司例如GRE，都是用这个模型去做到项目管理。这个模型需要通过学生的做题记录，去评估学生的能力以及题目的可玩性。而且整个过程是不必须人去插手，通过 EM 算法构建，这是一种无监督自学算法。
再行假设学生的能力一样，去估计题的可玩性，然后再行通过学生做题的结果，再行去估计这个学生的能力，通过若干轮的递归逐步发散到局部拟合解法。”“当然在实际用于中 IRT 模型还是有一些问题，例如它没考虑到学生锻炼过程中做题顺序的影响。此外，整个过程是假设学生的能力恒定的。
我们在16年开始探寻基于时间序列的模型，例如 BKT 和 DKT 模型。基本上对于新的模型我们都会第一时间，尝试把这个模型应用于到我们现有的产品里。
”右图是上海市今日中学倪佳青老师在用于一起作业后的前后对比，用于后的学生在完成率和正确率上都有显著的提高。某种程度的两个班级，用于在线作业的实验班已完成预习作业的比例是70% ，对照班只有25% ;实验班课后练习的正确率是 96.7% ，对照班则是 78.6%。倪老师找到，这是因为班里的学生 98% 都是打零工子弟，水平参差不齐，传统作业很难做给有所不同的学生布置有所不同的内容，而在线作业通过对每个同学布置个性化的作业，提升了学生做作业的积极性。
据介绍，在学生实际用于基于自适应自学模型建构的做题产品之后，学习成绩、完成率、积极性都有所提高。“基于我们的算法需要更佳提高学习效果，此前搜集到的数据是提高15%，目前在做到更加大规模的测试。”至于公司商业模式和营收情况，一起作业是学校教育场景产品，流量来源，归属于免费产品。
一起学是家庭教育场景产品，里面有协助学生自学能力提升的收费产品。据介绍，一起教育科技通过紧贴学校提供了大的流量、数据，商业化的做到了两个，一是个性化做到题，二是直播放学，这两个模式让小学业务早已构建了盈利。总体上来说，目前早已做盈亏均衡。未来未来发展：人工智能否能替代教师?前段时间，有研究人士分析了365种职业在未来被人工智能“出局”的概率，其中，教师的被出局概率是0.4%。
看起来教师享有自身无法被机器非常简单替代的独特性。但也有有所不同声音，教育部副部长杜占元指出“人机融合有可能将是我们庆贺智能时代最广泛的形式。
”惠灵顿学院院长安东尼·谢尔顿爵士指出，10年之内教师将丧失其传统角色，不能沦为助教。给学生们教授科学知识这一最重要的工作将几乎由人工智能计算机已完成。
人工智能否可以代替教师，一起教育科技的问是：“我们只不过对一起作业的定位是公立教育的好帮手，我们根本没想要过去代替老师，或者我们来教孩子。因为我们始终认为，机器在教育这一块是无法几乎代替人的。”现在注目“”微信公众号（leiphone-sz），恢复关键词【2018】，随机抽送价值 3999 元的与会门票 3 张原创文章，予以许可禁令刊登。
下文闻刊登须知。
本文来源：博鱼·boyu体育-www.kcoo.net
手机网站
微信