神州租车：北汽集团将收购不超过21.26%股份
06-18
雷锋网：7月12日至7月14日，第四届全球人工智能与机器人峰会（CCF-GAIR）在深圳正式举行。
本次峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办。
其得到了深圳市政府的大力指导，是国内人工智能和机器人学术界和产业界的重要论坛。
是产业界和投资界三大领域的顶级交流博览盛会，旨在打造国内人工智能领域强大的跨境交流合作平台。
7月14日，随着议程进入第三天，大会还迎来了为期一天的智慧教育专场。
在本次专场中，好未来人工智能实验室负责人刘子韬博士上台，发表了题为“《Building The Next Generation of Smart Classroom》”的主题演讲。
刘子韬在演讲中从好未来在智慧课堂的探索和研究实践出发，谈到了AI+教育发展过程中数据获取的复杂性，从而谈到了AI+教育面临的四大挑战，即：一是数据量小的。
机器学习需要有标签的数据，而教育场景中的数据大部分是无标签的，有标签的数据很少；二是异质性。
异构性和多模态是强绑定的，不同来源生成的数据自然是异构的；三是数据质量问题。
通常我们很难获得标签。
上完一堂课后，如果想预测这堂课好不好，就需要贴上标签。
这个时候，标签就非常主观了。
如果十个人评价老师，其中六个可能是好的。
，有四件不好的事，不管这门课是好是坏，6：4就只说好，这是模棱两可的；四是评价。
短期内无法量化，对AI有一定的难度和影响。
由此，刘子韬谈到了好未来在面对挑战的过程中提出的人工智能相关解决方案，并给出了相应的案例；比如数据众包标注、作业辅导批改、在线课堂监控等。
最后，刘子韬给出了自己的观点：人工智能在教育应用中遇到的很多问题是以前没有研究过的。
有很多挑战，当然也有很多机会。
演讲结束后，刘子韬接受了雷锋网的采访。
在回答人工智能如何赋能教育的问题时，刘子韬表示，人工智能作为一项技术本身对于提高效率具有重要作用。
就像谷歌提高了人们搜索和获取信息的效率一样，人工智能在教育领域也能提高效率，比如作业的自动批改、教育领域（比如培训机构）的运营管理等；不仅如此，AI还可以提升教育范围内的产品体验，让学生在学习过程中获得更好的体验，比如智慧教室等。
以下是刘子韬在CCF-GAIR会议上的演讲内容。
雷锋网编辑了一下，不改原意：大家早上好！今天，我谨代表好未来与大家分享好未来在智慧教室方面的探索和研究。
今天我主要讲一下我们的进展以及整个过程中遇到的困难和挑战。
好未来是一家专注于智慧教育和开放平台，以素质教育和课外辅导为载体的科技教育公司。
服务全球公办教育，助力民办教育，探索未来教育新模式。
好未来人工智能实验室是好未来集团范围内的人工智能实验室。
其职责是通过AI技术赋能好未来各业务线，让好未来的各个业务单元都拥有先进的人工智能技术。
我们希望通过好未来的人工智能实现什么目标？我们有四个愿景：第一，希望通过AI提供更好的教学内容；第二，我们希望通过AI提供更有效的教学体验；第三，我们希望提供更加科学的评价体系；第四，我们希望提供更加公平的教育资源。
当我们谈论教育或者AI+教育时，最重要的是什么？我们认为这中间最重要的是教学环境，即LearningEnvironments。
我们在讲教学场景的时候，可以做一个简单的划分，比如选择三个维度：Z轴可以看到教室里有多少学生。
比如可以是1对1，也可以是网上小班，可以是3对9。
传统的面授班有20到50名学生，而大班网校可能有90到90名学生。
这就是课堂上发生的事情。
学生人数。
横轴是年龄，可以是学前班、小学、初中、高中、大学。
纵轴是类的格式。
上课形式可分为线下上课、教学点线下上课、线上直播上课、学生在家上课、教师在家直播上课。
这里只是随机列出的几个纬度，以及科目，比如教学是数学、英语还是物理。
不同的维度可以将场景划分为细节，每个细节都有其独特性。
例如，一对一在线教学小学生和传统线下大班教学高中生有很大区别。
学习场景会不同，产生的数据会不同，教学设计的理念也会不同。
AI需要针对不同的教学场景针对每件作品进行优化和定制。
教育和人工智能最有价值的是什么？这是丰富的数据。
数据是在各种场景下都可以产生的数据。
这些数据的生成也可以分为两个维度： 上面一行显示了数据何时生成。
第一个是课前生成什么样的数据。
除了部分学生的课前信息外，还包括家长、销售、学生之间的沟通记录；第二是在课堂上，会产生有价值的数据；第三是课后。
、学生的课后练习、家长的反馈以及给家长的报告都会在课后产生。
产生数据的主体是教师和学生，中间有一个很大的环节，我们这里称之为管理者。
什么是经理？经理是一个比较宽泛的概念。
在整个教学过程中，包括课前、课中、课后，教学管理者包括与家长沟通的学习策划人员，或者有的地方的顾问，还有一些销售人员。
包括管理老师的，我们都知道培训机构的老师很多。
如何管理好教师，使其教学质量一致、规范，就会产生大量的数据。
这里有一个细粒度的划分。
让我举几个例子。
上课时老师可以做什么？教师可以与学生发起语音交互，并可以通过Face Filter与学生换脸。
直播时，老师可以帮助学生变换面孔、场景。
老师手里拿着什么？老师手里有很多Pad和智能笔，学生手里有很多答题器。
学生可以通过答题器与老师互动，课程中会有大量数据。
经理有售前销售，卖给家长什么样的课程，还有跟销售的聊天记录。
课后，学习规划师会与家长沟通，告诉您学生在这堂课上的表现以及他们的孩子的表现。
这些将以数据的形式进行传达和存储。
数据的产生和整个过程AI的控制非常重要。
我之前谈到了教育数据。
每个环节都可以产生各种数据。
这些数据生成后会是什么样子？比较学术一点的词是Multimodal，意思是多式联运。
主流的多模态组合有三类：一类是文本数据，很多数据都是以文本的形式生成的。
其次，大部分课程都会以视频的形式进行录制，也会有一些视频信息。
第三，还有一些语音信息。
老师说的话和学生回答的内容都会被记录下来。
对于人工智能来说，这些都是宝贵的资源。
它一定是多模态机器学习。
今年，CMU 的一位教授写了一篇新文章。
这篇文章很好地总结了Multimodal的问题。
以下是我们希望解决的五个主要问题： 1. 对于多式联运，我们该怎么办？做出一些表示，表示学习可以学习所有数据。
2.翻译，有视频数据和音频数据。
3.对齐，这两者是一一对应的。
老师教课件。
本课件是静态的。
第一个位于课件顶部，第二个位于课件底部。
4.融合。
5.共同学习。
大家都了解所需要的AI技术的具体应用，更多的是方向。
多模态机器学习需要整理不同的数据，所需的AI技术也多种多样。
这是一个各种整合的过程。
例如，对于语音，我们需要ASR和降噪方法；例如，数据挖掘需要更全面的能力。
我们预测学生何时退还学费，以及如何向学生推荐最合适的老师，包括做一些个性化的工作。
知识图谱需要不同的技能，包括部署在终端上的许多模型。
课堂资源有限，所以我们会在终端上对一些模型进行加速和优化。
前面我讲了数据和人工智能领域。
我们中间会遇到什么样的挑战？这里有很多挑战：第一，小数据。
各种教学场景可以产生海量的数据，但大部分数据是无标签的。
小数据意味着标记数据会很少。
机器学习需要标记数据。
二是异质性。
异质性和多模式是紧密相连的。
数据产生于不同的来源，具有天然的异质性。
第三是数据质量。
数据质量是什么意思？获得高质量的标签非常困难。
如果你上了一门课，想要预测这门课好不好，就需要给它打标签。
这个时候，标签就非常主观了。
也许十位老师会给它贴上标签，也许六位老师就可以了。
如果四个都不好，这个班好不好就有区别了。
第四是评估，短期内无法量化，对AI有一定的难度和影响。
基于上述问题，好未来做了一些非常接地气的AI应用，专门解决未来场景中的问题。
我们部署的系统已经在好未来运行并实际投入使用。
它每天处理数千节课程。
我们会在相关会议或者顶级杂志上发表这些工作，比如WWW、ICDE、AIED等，包括我们部署的系统，包括课堂监控的维度，以及我们做的中文评价表达等等。
举几个简单的例子：首先，我们今年在澳门ICDE发表了一篇文章，如何向众包标签学习？为什么我们要众包标签学习？我们需要大量的数据来进行学习。
除了大量的数据之外，我们还需要非常准确的标签。
在现实世界中，标记数据相对较小。
我们应该做什么？这是为了找人，这是毫无疑问的。
找人就是众包，找人用的数据绝对不是海量数据。
基于这种情况，如何利用现有的方法来解决现有的问题呢？我们的数据量有限，所以我们可以做一些分组。
蓝色为正例，红色为反例，蓝色和红色各有50个样本，总共10个样本。
这不能用于深度学习。
虽然样品很小，但我们可以做到。
通过一些组合和配对，我们可以生成大量样本。
五个人的标签可能是3比2，最简单的情况，虽然是3比2，但是给它一个知识程度，给0.6。
每个人的标签都不一样。
我们提出了一个深度学习框架。
通过分组方法、样本标签的置信度和模型学习，我们可以得到深度学习模型。
详细信息可以在我们的论文《从众包标签中学习有效嵌入：教育案例研究》中找到。
接下来我们介绍一下作业的自动批改。
自动校正的场景是什么？自动批改并不是说你给我一张高考卷子我给你批改。
它只是想解决一个特定的问题；例如，学生在家解决问题，家长在一旁拍短视频。
这个视频会被传输到我们的后台，后台会有自动校正的程序。
这就是产生数据的场景。
我们会给学生布置问题，在好未来称为口语问题。
口试想解决什么问题？众所周知，与外国人的开朗相比，中国人被教育得谦虚、低调，可能更加木讷；我们希望中国人在这方面不要输给外国人，我们从小培养学生的汉语口语表达能力。
基于这个大背景，我们希望孩子们继续说下去。
我们希望给小学生出一道题，他们能解释一下出题的过程。
我们不关心问题的答案。
我们希望他们能够解释一下。
这就是我们设计问题的方式。
原意。
从具体案例来看，这个话题很受欢迎，效果也很好，但是我们在幕后遇到了一些问题，就是老师无法纠正。
试想一下，如果一个班有30个学生，其中一个学生上传一个两到三分钟的视频，老师会听、写评论、批改。
老师听完要花五分钟，如果有三十个学生，老师就凭空多花一分钟。
，非常浪费时间。
那么AI可以帮助老师进行一些辅助批改吗？基于这个初衷，我们设计了AI辅助矫正解决方案。
我们有学生的答案和老师的标准答案。
我们将有两个方面的文本；通过Transformer和Multiway Attention，我们对学生提交的答案和相关问题进行现场评估。
深度语义融合和匹配可以辅助纠正口语问题。
我们做了很多实验，我们的创新方法战胜了传统的机器学习方法和深度学习方法。
具体实现细节可以参考我们今年在AIED上发表的论文Automatic Short Answer Grading via Multiway Attention Networks。
接下来介绍一下我们在后台启动的真实系统。
该系统就是在线课堂质量控制系统。
举个简单的例子，这是一个传统的在线一对一上课场景，一边是老师，一边是学生，中间是课件。
有什么问题？这个班里发生了什么，只有学生和老师知道。
没有人知道这堂课怎么样，因为家长不会坐在一旁观看。
如果这个学生快要高考了，他不喜欢学习，成绩很差，经常在家玩游戏。
如果老师在课堂上不教好学生，而是教他们如何做游戏，会发生什么？学生们非常高兴。
家长询问学生这堂课学得怎么样。
学生会说这个老师教得很好，教得很好……我们不希望这种情况发生。
我们要杜绝这些在传统课堂上不应该出现的现象。
我们无法通过人工检查来做到这一点。
这个案例是极其致命的。
如果家长一旦发现这样的情况，就不会再相信这个品牌了。
导致退课和一系列不良口碑宣传。
所以我们希望利用人工智能来监控课堂质量，无论是学生还是老师。
在学生维度，我们希望学生在这堂课上多发言。
我们会监控学生的表达情况，包括学生是否主动提问、学生提问的数量、学生是否按照老师的要求做笔记等。
我们将更多地监控教师。
我们希望提高整体的教学质量，包括红线词（老师上课有没有说脏话）、老师的沉默时间、老师有没有问学生问题、老师有没有带学生做笔记、老师有没有谈论与主题相关的事情而不仅仅是聊天？第一步是简单的操作方法。
这样我们就可以形成运营管理的闭环。
如果发生不好的事情，老师可以处理。
这是一个基于人工智能的教学管理和运营的闭环。
这不是我们的最终目标。
我们的目标是利用AI提供极致的教学体验，达到良好的教学效果。
这种教学体验可以通过人工智能在多个维度进行量化。
我们称之为“四色分级”。
红色最差，绿色最好。
课程结束后，将对课程进行评分。
如果是红色的，说明这个班级很差。
随着课堂的发展和变化，效果越来越好，希望最终一切都是绿色的。
这就是课堂的量化。
在AI+教育的过程中，挑战很多，机遇也很多。
许多要解决的问题是学术界从未存在过的问题，包括与众包相关的问题和许多小数据问题。
现阶段学术界很多事情才刚刚开始做，包括小样本学习。
刚才我介绍了AI+教育的挑战和实际应用。
很多时候，存在着巨大的机遇，但也还有很多问题没有被研究过。
这里的挑战是巨大的，但也存在巨大的机遇。
谢谢你们！ “AI投资研究中心”即将推出CCF GAIR峰会完整视频以及各重大主题分会的白皮书，包括机器人前沿分会、智能交通分会、智慧城市分会、AI芯片分会、 AI金融专场、AI医疗专场、智慧教育专场。
等待。
《AI投资研究国度》会员可免费观看全年峰会视频和研究报告内容，扫描二维码进入会员页面了解更多，或私信助教小木（微信：moocmm）进行咨询。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-17
06-17
06-17
06-06
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态