海风教育CTO张建华:当教育遇见人工智能,将会碰撞出怎样的火花?

2019-05-23
K12这个赛道确实非常的强,或者非常的刚,因为刚需非常的刚。

微信图片_20190523123735.png

5月22-23日,由创业邦主办的2019创新中国春季峰会暨企业创新峰会在上海嘉定喜来登酒店召开。海风教育CTO、技术合伙人张建华进行了名为《人工智能与教育碰撞出的火花》的演讲。

以下为张建华的演讲实录,未经对方审核:

刚刚主持人说风从哪里来,风从海风来。人工智能和教育碰撞出来的火花非常相似,这和我们做的事情很像。刚刚宗俊也提到K12的赛道非常慢,但是K12这个赛道确实非常的强,或者非常的刚,因为刚需非常的刚。刚刚赵馨也提到了,很多的成本都花在了前期获客上,刚刚几位圆桌嘉宾没有讨论到一个话题,怎么提高后期的转化效率?其实提高了转化效率,就能很好的解决问题。这个跟我今天分享的主题有一定的相关性。

海风教育是一家专注在K12领域做在线一对一的一家企业,我们有非常雄厚的师资,也有海量的学生,这为我们做人工智能方向的研究奠定了非常雄厚的基础。我们在教研上也有非常大的投入,我们做了非常多的知识点的切片,每一个知识点下面都会有几千、上万的题库、讲义库。

我们在2017年底、2018年初成立了人工智能实验室,主要有两个大的研究方向:第一个研究方向是在教育方向,我们将教育拆成了“教学”和“育人”两大方向;第二个是在一个学员整个生命周期当中,在每个环节怎么赋能,怎么提升每个环节的转化效率、服务效率。

我们看一下一个学员首先他的家长会在我们的网站上填写信息,这是一个进线,进线之后,我们会分配一个课程顾问跟家长进行沟通,了解孩子的情况,对他进行一些前置的了解,在一定的沟通之后,我们需要为这个学生排一节试听课,需要为这个学员分配一个老师,这个老师为这个学生上完试听课之后,学生很有可能进行报名,学生进行上课,后面还各种各样的服务。这是我们主要的生命周期。

在这个生命周期过程当中,我们怎么在每个环节赋能呢?

首先,我们看一下传统的销售模式,在比较早的时候,一个学员进来我们怎么匹配一个销售,哪一个销售业绩好我们把资源分配给他,因为他更容易把这个资源谈成,而那些新手或者相对来说业绩不太好的,他只能拿一些更差的资源去做,这种模式其实非常的传统、古老、不科学。

后来我们开始在思考什么样的分配策略是更好、更有效的。我们想到田忌赛马的故事,在好的销售身上分配不那么好的例子,在差的销售身上也分配一定量的,找到一个平衡点。中期的策略追求的是全局利益的最大化,但是仍然不是一个最好的结果。

在人工智能实验室的项目推进过程当中,我们就重点研究了这个事情,一个学员进来的时候我们能够获得学生的很多信息,比如说学生的性别、年龄、兴趣、爱好、成绩好的学科、成绩不好的学科、平时喜欢玩吃鸡、玩王者荣耀、喜欢看什么书等等信息。我们的销售已经沉淀了非常多的数据,这两个数据在碰撞之后通过机器学习的算法,事实上我们可以分析出哪一些课程顾问针对哪一些类型的学生有更好的服务效果,我们找到这样的规律之后,一个进线进来之后就可以匹配到一个好的顾问。

最终项目上完之后,通过数据证明,效果还是优于之前的,这里面的算法非常的多,我们也一直在调整。我们解决了学员跟销售的匹配关系之后,接下来的环节就是我们的销售在接下去的过程中要跟家长进行多次的沟通,要不停的打电话,在这个过程中,我们怎么用人工智能赋能呢?

首先,人工智能得能切入到实时通话当中,我们把通话语音流实时的拉到服务器上,进行分析处理,用自然语言处理的技术,提取出里面有价值的信息。我们能听懂销售跟家长在聊什么东西了,这个时候再对接后面沉淀下来的销售的知识库,在这个知识库里面就能匹配出一些内容。

比如说正在聊高考政策,我们及时的把信息推送给销售,让他跟家长聊这个话题;家长可能会聊到我的孩子三角函数学的不太好,这个时候销售很难具备像老师这么强的专业能力,他也不可能什么学科都懂,当他们聊到这个话题的时候,我们就可以把过去学员当问到这样的问题的时候,以前的优秀的销售都是怎么解答这个问题的,或者找到一个什么样的点跟家长沟通,这个时候我们会把这样的信息筛选出来,推荐给销售,他就可以跟家长去聊,聊的可能不见得比那些好的销售差,这个时候家长的感受很好。

通过这个的环节,我们可以有效的提升销售跟家长之间沟通的效率,在这个环节的转化效果也是明显提升了。

销售最终把这个家长说服了,愿意来上我们一节试听课,这个时候又到了一个非常关键的转化节点,这个转化节点可能比匹配到一个好的销售重要的多,老师才是闭环当中最重要的环节。大量的学生进来,老师也有数万之多,怎么匹配到一个好的老师呢?

我举一个例子,在教师团队中有一个明星教师,他以教熊孩子出名,他手上带的学生几乎都是熊孩子,别的老师都带不了,特别皮,交到他手上就能搞定。我们在匹配的模型中也发现了这样的规律,这样的匹配效果往往能够让家长觉得这个老师真的能搞定我的孩子。

这只是一个案例,实际上我们有上百个学生维度的标签,也有数百个老师维度的标签,当这个标签在我们的人工智能体系内进行匹配之后,最终能够得到哪些老师最适合教这个学生,或者这个学生最需要的老师有哪些。

当然这里还有一个问题,我们一直在谈因材施教,以学生的个性需求去找到一个好的解决方案,或者以学生的需求去找到一个最适合他的老师。我们也忽略了因教施材的问题,老师是这样的老师,有哪些学生是适合他的,如果来了一个学生并不是这个老师擅长的,或者并不是他舒适的教学范畴,其实也会打一定折扣。在这里面是双相匹配选择的过程。我们会考虑哪一些学员适合这个老师,最终我们也会在这个环节上获得了非常成功的结果。

我们再看下一个环节,这个时候试听课已经结束了,学员报名了开始上课,在上课这个环节其实主要的研究方向是刚刚说的教学和育人两个方向。

我们先简单聊一下教学这个方向,我会觉得这是在线教育和人工智能结合最重要的部分,而且这个部分难度其实非常的大,它需要我们建立一套非常好的知识图谱的体系,在学生学习的过程中,他的每一个行为、动作,在每一个环节的数据都能够投射到知识图谱上。在这上面能够反映出这个学生薄弱的知识点有哪些,而每个薄弱的知识点具体薄弱项又是什么。通过这样的匹配得到的结果我们可以反向的运用到老师的备课环节,老师备课的时候可以精准的知道这个学生到底哪里薄弱,哪里不行,可以针对性的进行教学方案和教学内容的选择。

上课的过程中学员的一些反映事实上可以实时的捕捉到,并且反向的论证当前正在讲的这一个知识点的内容,他是否存在一些薄弱,或者已经掌握的很好的信息,可以实时驱动老师动态进行调整。

在课后布置作业的环节也是非常关键的,在传统的教育场景下,学生做作业是非常大的痛点,这个痛点是在于老师布置作业都是千篇一律,对于每个学生都是一样的作业。而在我们的平台上,虽然老师布置作业的时候是一对一的布置,但是他的布置真的能特别特别的有针对性吗?不一定的,这取决于老师的经验。

我们再讲一下育人这个环节,育人这个环节现在已经有比较好的落地场景也已经运行超过半年时间了,为什么说育人呢?因为这个方向我们是要去帮助孩子建立好的学习习惯,培养学习力,和教学内容是没有关系的。

我们是怎么做的?首先我们通过摄像头捕捉学生的面部情绪,可以知道他现在表情的状态到底是开心的还是不开心的,对你的内容是喜欢的还是反感的。其次,我们会去捕捉眼球的运动,通过眼球的运动能够很准确的发现这个学生有没有在开小差,他是不是聚精会神的在听,或者说他的眼睛一动不动,可能处于呆滞状态这也是开小差的表现,还有他的肢体,人动来动去,头转来转去。通过这样的捕捉,我们是能够发现这个学生他存在一些不良状况。比如说对教学内容不感兴趣、开小差、状况不佳、困等等。这些信息被我们捕捉到之后,我们可以根据我们背后的知识库匹配,找到一个针对当前这种情况最有效的方案推送给老师,让老师在课堂上及时的调整、纠正。

在这里面我会觉得老师跟医生的性质非常的像,他们都是需要丰富的经验积累,最终才能成为一个非常优秀的老师。老师和医生都是活的越久越吃香,真的有那么多资历深厚的老师吗?不是的。在这个方面非常需要人工智能的系统,因为人工智能系统所能够采集到的数据量其实远大于一个老师他能够接触的,他可能一辈子都接触不了这么多学生的信息,而在我们的分析处理之后,最终能够沉淀下来一个非常好的模型。

最后在课程结束之后,在质检这个环节,每天都有那么多的课,我们的质检团队、服务团队是不可能一节课一节课都去听的,这个时候非常需要AI系统把每一节课的内容转换成文字,通过自然语言的处理,还包括语言情绪、语音情绪的判定来分析这堂课的质量到底怎么样,是不是存在一些不合规的,或者做的不是很好的课程,我们筛选出来提供给质检团队。

对于学生学习状态,其实从宏观上讲,我们的一个老师平均都要带几十个学员,他很难清楚的知道每一个学生长期以来的状态是什么样的,进步的曲线怎么样,他可能能关注其中一部分,但是很难关注全。

从微观角度来说,在一节课内,老师的注意力得放在教学上,他很难关注到学生的一些细节,细微的反映都是很难观察到的,人工智能跟踪学生的学习状态,会帮助老师掌握这个学生精准的学习状态,也包括刚刚提到的知识点的掌握情况,最终反向的改善教学环节。

最后是班主任这个环节,我们也在研究一套智能班主任的一套东西,这个东西可以很好的帮助班主任在课后对学员进行服务。

时间关系,我就先讲到这,今天我的分享就到这里,谢谢。

来源:创业邦