雷锋网按：7 月 12 日至 7 月 14 日，2019 第四届全球人工智能与机械人峰会（CCF-GAIR 2019）于深圳正式召开。峰会由中国较量机学会（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械人研究院协办，获得了深圳市当局的鼎力指导，是国内子工智能和机械人学术界、工业界及投资界三大范畴的顶级交流博览盛会，旨在打造国内子工智能范畴极具实力的跨界交流合作..。
7 月 14 日，陪伴着议程进入到第三天，本次大会也迎来了为期一天的聪明教育专场。在这个专场中，好将来 AI 实验室负责人刘子韬博士登台，做了题为《Building The Next Generation of Smart Classroom》的主题演讲。
在演讲中，刘子韬从好将来在聪明教室上的索求和研究实践出发，谈到了 AI+ 教育的成长过程中数据获取的复杂性，并由此谈到了 AI + 教育中的四个挑战，离别是：
一是数据量小。机械进修需要有标签的数据，而教育场景中的数据大部门都是无标签的，有标签的数据非常少；
二是异构性。异构性和多模态是强绑定的，分歧起原发生的数据，有自然的异构性；
三是数据的质量问题。平日我们的标签获取是非常难题的，上了一堂课想展望这堂课好欠好，好欠好需要打一个标签，这个时候打的标签主观性非常强，十小我给先生打分，或者有六个好，有四个欠好，这堂课是好照样欠好，6：4 就说好，这是有歧义的；
四是评价。短期无法量化，对 AI 有一些难题和影响。
由此，刘子韬谈到了好将来在面临挑战的过程中提出的 AI 相关解决方案，并给出了响应的案例；好比说数据众包打标签、功课辅助批改和在线教室监控等。最后，刘子韬给出了本身的概念：AI 在介入到教育应用的过程中所碰见的好多问题都是不曾被研究过的，这个中有好多的挑战，当然也有好多的时机。
在演讲竣事后，刘子韬接管了雷锋网的采访。
针对 AI 若何事实赋能教育的问题，刘子韬透露，AI 作为一项手艺自己其重鸿文用在于提拔效率，就像 Google 提拔了人们搜刮并获守信息的效率，AI 同样也能在教育范畴提拔效率，好比说功课的主动批改、教育范畴的运营治理（好比说..机构）等等；不光如斯，AI 还可以在教育局限内改善产物的体验，是学生们在进修过程中获得更好的体验，好比说智能教室等。
以下是刘子韬在 CCF-GAIR 大会上的演讲内容，雷锋网对其进行了不改变原意的编纂整顿：
人人早上好！今天我代表好将来跟人人分享好将来在聪明教室上的索求和研究，今天我首要讲一下我们的进展和整个过程中碰到的难题和挑战。
好将来是一个以聪明教育和开放..为主体, 以本质教育和课外指点为载体, 在全球局限内办事公办教育，助力民办教育，索求将来教育新模式的科技教育公司。
好将来的人工智能实验室，是好将来在集体局限内的 AI Lab，它的职责就是经由 AI 手艺来赋能好将来的各个事业线，让好将来的各个事业部拥有进步的 AI 手艺。对于好将来的 AI 来说我们要达到什么样的目的？我们有四个愿景：一是进展经由 AI 能够供应更优质的教授内容；二是进展经由 AI 能供应更有效的教授体验；三是进展供应更科学的评测系统；四是更平正的教育资源。
我们提到教育或 AI+ 教育的时候，最主要的是什么？我们想中央最主要的是教授情况，也就是 Learning Environments。
当我们说教授场景的时候，我们能够做一个简洁的划分，好比说选三个维度：
Z 轴能够看到教室有几多学生。好比说 1 对 1，也能够是在线小班，能够三到九个，传统的面授教室有二十到五十个学生，买办网校或者 90、100、500 个学生都是有或者存在的，这是教室里的学生数量。
横轴是岁数，能够是学前、小学、中学、高中、大学。
纵轴是上课的形式。上课的形式能够分为线下上课，跑到教授点线下上课、线上经由直播的体式，学生在学生家、先生在先生家经由直播的体式上课，这里只是随意列举几个纬度，还有学科，好比说教的是数学课、英语课照样物理课等科目。
分歧的维度能够把场景进行仔细的划分，个中每一块都有它的奇特性，好比说在教小学线上一对一和教传统线下买办高中生，其实有很大的不同。进修场景会纷歧样，发生的数据纷歧样，教授设计的理念会纷歧样。针对分歧的教授场景 AI 需要针对每一块进行优化和定制。
教育和 AI 最贵重的是什么？就是雄厚的数据，数据是在各个场景中能发生的数据。这些数据的发生也选两个维度划分一下：
上面一行是数据什么时候发生。首先是上课之前发生什么样的数据，除了一些学生的课前侧，还会包罗家长、发卖、学生之间的沟通记录；其次是课中，课中会发生很贵重的数据；再次是课后，课后会发生学生的课后演习题、家长的反馈和给家长的申报。
发生数据的主体是先生、学生，中央还有一个很大的环节，我们这里会称为治理者。什么样是治理者？治理者是对照泛的概念，在整个的教授全流程中，包罗课前、课中、课后，教授治理者包罗跟家长沟通的进修规划师，或是有些处所叫垂问，还有一些发卖。包罗治理先生的人，人人知道..机构有好多先生，若何把先生治理好，让他们的教授质量一致、归一化，这些都邑发生好多的数据。
这里是细粒度的划分，给人人举几个例子，课中的时候，先生能够做什么？先生能够跟学生提议语音互动 Voice Interaction，能够跟学生换脸 Face Filter，直播的时候能够帮学生换脸、换场景。先生手里有什么？先生手里有好多 Pad、智能笔，学生手中会有好多的答题器，学生能够经由答题器和先生互动，课中的环节会有好多的数据。
治理者有售前的发卖，给家长发卖什么样的课程，以及和发卖的聊天记录。课后上完今后，进修规划师会跟家长沟通、交流，会敷陈你这堂课学生示意怎么样、孩子怎么样，这些都邑有交流，会以数据的形式沉淀下来，数据的发生和全流程的把控对 AI 非常主要。
前面讲了教育的数据，各个环节都能发生各类各样的数据，当这些数据发生今后会是什么样？用一个对照学术上的词是 Multimodal ，也就是多模态，主流的多模态会有三种连系：一是文本数据，好多的数据以文本的形式发生出来。二是上课的时候多数会以视频的形式记录下来，会有一些视频的信息。三是还有一些语音信息，中央先生说了什么，学生回覆了什么，这些数据会被记录下来。对于 AI 来说，这些都是很贵重的资源。它必然是 Multimodal Machine Learning，本年 CMU 的传授写了一篇新的文章，文章很好地总结了 Multimodal 的问题，这里有五大问题是我们进展能解决的：
1、Multimodal 的情形下，我们怎么样做一些表征，表征进修能够进修到所有的数据。
2、Translation，有了视频数据和音频数。
3、Alignment，这两个对应起来，先生讲一个课件，这张课件是静止的，第一个授课件的上面，第二个是课件的下面。
4、Fusion 融合。
5、Co-Learning。
具体应用到需要的 AI 手艺，这个人人都对照懂得，更多是偏向上的器材，Multimodal Machine Learning 需要梳理分歧的数据，需要的 AI 手艺也是各类各样的，它是各类融合的过程。好比说 Speech，我们需要 ASR、需要降噪的方式；好比说数据挖掘，它需要更综合的能力，我们展望学生什么时候会退费，若何给学生介绍最适合他的先生，包罗做一些个性化常识图谱，它需要的各类花样是纷歧样的，包罗好多的模型是布置在端上的，教室的资源有限，我们在端上会有一些模型的加快和优化。
前面讲了数据和也许 AI 的领域，我们中央会碰到什么样的挑战？这里的挑战非常多：
一是小数据。 各类教授场景能够发生海量数据，但大部门的数据是无标签的，小数据是指有标签的数据会非常少，机械进修是需要有标签的数据。
二是异构性。异构性和 Multimodal 是强绑定的，数据由分歧的起原发生，有自然的异构性。
三是数据的质量问题。数据质量是什么意思？高质量的标签获取是非常难题的，上了一堂课想展望这堂课好欠好，好欠好需要打一个标签，这个时候的标签主观性非常强，或者给十个先生打，或者六个好，四个欠好，这堂课好欠好是有不合的。
四是评价，短期没法量化，对AI有一些难题和影响。
基于上面说的问题，好将来做了一些很接地气的 AI 应用，来具体解决好将来场景中解决的问题。我们布置的系统在好将来已经跑起来真正在用了，天天都邑在处理成千上万节课，这些工作我们都邑揭橥在相关的会议或是顶级的杂志上，好比说 WWW、ICDE、AIED 等，包罗我们布置的系统，包罗教室的监控这些维度，以及包罗我们做的中文评测表达等。
快速举几个例子：
第一，我们本年已经在澳门 ICDE 上揭橥过一篇文章，若何从众包的标签中进行进修？为什么我们要众包标签进修？我们需要大量的数据进行进修，除了需要大量的数据，我们需要很精准的标签，实际的世界中有标签的数据对照小。我们怎么办？就是找人标，这是毫无疑问的，找人标就是 Crowdsourcing，找到人标的数据必然不是海量的数据。
基于如许的情形，若何使用现有的方式解决现有的问题？我们的数据量有限，能够做一些 Grouping，蓝色是正例，红色是负例，蓝色 100，红色 50 个，一共 150 个样本，这是无法做深度进修的；固然样本单个很小，然则我们能够做一些组合和配对，经由组合我们能够发生好多的样本量。五小我打标签或者是 3 比 2，最简洁的情形下，固然是 3 比 2 给它一个知信度，给它 0.6，每小我打的标签纷歧样。我们提出了深度进修的框架，经由 Grouping 的方式和对样本标签的 Confidence，和 Model Learning，我们能够获得深度进修的模型。具体细节能够具体阅读我们的论文 Learning Effective Embeddings From Crowdsourced Labels: An Educational Case Study。
接下来我们介绍主动批改功课。
主动批改的场景是什么？主动批改不是你给我一个高考卷子，我给你改出几多分，只是想解决特定的问题；好比说一个学生在家解一道题，他的怙恃在侧面拍小视频，这个视频会传到我们的后端，后端会有法式进行主动批改，这是数据发生的场景。
我们会给学生安置问题，在好将来会称为口述题，口述题想解决什么问题？众所周知，相对于外国人的爽朗，中国人以前受到的教育要谦逊、低调，或者会对照木讷一些；我们进展中国人在这方面不输给外国人，我们从小培育学生的中文白话表达能力。基于这个大配景，我们进展小孩一直地说，我们进展给小学生出一道题，他能讲解这个题的过程，我们不关系这道题的谜底，进展他能讲解出来，这是我们设计题的初志。
从具体案例来看，这个问题是很受迎接的，结果也很不错，但背后我们碰到一些问题，就是先生改不外来了。试想一下，若是一个班若是有 30 个学生，一个学生上传两到三分钟的视频，先生听、写考语、改一下，一个学生先生要花五分钟，有三十个学生，先生凭空多花 150 分钟，非常虚耗时间。
那么 AI 能不克帮先生做一些辅助批改？基于如许的初志，我们设计了 AI 辅助批改解决方案，我们有学生的谜底和先生的尺度谜底，我们会有两方面的文本；经由 Transformer 和 Multiway Attention，对学生提交的谜底和相关的问题，进行深度的语义融合和成家，实现口述题的辅助批改。我们做了好多实验，我们立异提出的方式，打败了传统机械进修的方式、深度进修的方式。具体的实现细节，能够参考我们本年在 AIED 上揭橥的论文 Automatic Short Answer Grading via Multiway Attention Networks 。
下面介绍我们在后台上线的真实系统，这个系统就是在线教室质量管控系统。
举一个简洁的例子，这是一个传统的在线一对一的上课画面，一边是先生，一边是学生，中央是课件。个中的问题是什么？这堂课上下来只有学生知道、只有先生知道，没有其他任何人知道这堂课上的怎么样，因为家长是不会坐在边上看的；假如这个学生立时高考了，他不爱进修，成就很差，经常在家打游戏，若是这个先生并没有很好地教授生上课，而是教授生若何打游戏，会发生什么样的情形？学生很高兴，家长问学生这堂课学得怎么样？学生会说这个先生教得稀奇棒，教得稀奇好……如许的情形是我们不进展发生的。我们想杜绝这些不该该在传统教室上发生的现象，经由人工搜检的体式必然是做不到的，而这种案例是极其致命的，家长发现一次如许的情形，家长不再相信这个品牌，会发生退课和一系列的坏的口碑流传。
所以我们进展经由 AI 来监控教室质量，学生维度和先生维度我们都邑监测。在学生维度，我们进展这堂课学生频仍启齿，我们会监控学生的表达次数，同时包罗学生有没有自动提问，学生的提问次数、学生有没有按先生的要求记笔记等。先生纬度我们会监控更多，我们进展提高整体的教授质量，包罗红线词（先生上课有没有说骂人的话），先生的静默时间，先生有没有提问学生，先生有没有带着学生记笔记，先生有没有媾和学科相关的器材，而不是闲聊等。
第一步是简洁的运营手段，有了这个我们能够有运营的治理闭环，欠好的事情发生，能够对先生进行处理，这是 AI 落地教授治理运营的闭环。这不是我们的最终目的，我们的目的是用 AI 供应极致的教授体验和达到精巧的教授结果。这个教授体验能够经由 AI 进行多维器量化，我们称为“四色分级”，红色是最差，绿色是最好的，上完课会对教室打分，若是是红色解说这堂课非常差，跟着教室的演进和转变结果越来越好，进展最终都是绿色，这是教室的量化。
在做 AI+ 教育的过程中，有好多的挑战，也有好多的时机。个中要解决的好多问题都是学术界不曾存在的问题，包罗众包的相关问题以及好多小数据的问题；现阶段学术界好多器材才刚起头做，包罗小样本进修。
我适才介绍了 AI+ 教育的挑战以及落地的应用，好多时候里面的机会很大，还有好多的问题不曾被人研究过。这里挑战是很伟大的，同时也有很大的时机。
感谢人人！
