Кай-Фу Ли "Сверхдержавы искусственного интеллекта"
В профессиональных сообществах много говорят об "AI Superpowers", есть что о ней сказать и edtech-специалистам.
Красной нитью в книге проходит мысль, что решающим фактором становятся не уникальные алгоритмы, а массивы данных и то, как они собираются и используются в бизнес-процессах. Страна или компания выигрывает там, где данные полные, чистые, структурированные и постоянно пополняются в рамках понятных процессов.
ИИ-модели учатся на структурированных фактах не хуже, чем на «сыром» тексте, а иногда именно стандартизированные данные дают им устойчивое «знание» о мире. Без такой основы любая история про ИИ превращается в демо, а не в системный эффект.
Сейчас много говорят о внедрении ИИ в образовательный процесс, при этом упуская важный момент - к этому внедрению нужно очень хорошо подготовиться. В случае с учебным заведением - как минимум, внедрить LMS или обновить текущую до уровня, достаточного для работы с ИИ.
LMS — это не «еще один портал про обучение», а фабрика стандартизированных знаний: кто чему учится, какие курсы проходят, как оцениваются результаты, какие навыки есть у обучающихся. Вся эта информация превращается в структурированные датасеты: попытки, траектории обучения, результаты тестов, компетенции, контент, метаданные.
Когда LMS нет, знания живут в головах, чатах и разрозненных файлах, и для ИИ это просто шум. Когда LMS есть, ИИ можно использовать для персонализации обучения, рекомендаций, аналитики квалификаций и автоматизации контента — потому что есть единый, стандартизированный слой данных.
Если формализовать мысль из книги:
Сначала создается инфраструктура сбора и стандартизации данных.
Потом поверх нее строятся ИИ-сервисы, которые усиливают уже выстроенные процессы.
В обучении эта инфраструктура — LMS. Она задает язык, форматы, события и контексты, с которыми уже может работать ИИ (рекомендательные модели, ассистенты, автоаналитика). Поэтому честный порядок такой: не «мы внедряем ИИ в обучение», а «мы сначала наводим порядок и стандарты через LMS, чтобы ИИ вообще имел смысл».
Красной нитью в книге проходит мысль, что решающим фактором становятся не уникальные алгоритмы, а массивы данных и то, как они собираются и используются в бизнес-процессах. Страна или компания выигрывает там, где данные полные, чистые, структурированные и постоянно пополняются в рамках понятных процессов.
ИИ-модели учатся на структурированных фактах не хуже, чем на «сыром» тексте, а иногда именно стандартизированные данные дают им устойчивое «знание» о мире. Без такой основы любая история про ИИ превращается в демо, а не в системный эффект.
Сейчас много говорят о внедрении ИИ в образовательный процесс, при этом упуская важный момент - к этому внедрению нужно очень хорошо подготовиться. В случае с учебным заведением - как минимум, внедрить LMS или обновить текущую до уровня, достаточного для работы с ИИ.
LMS — это не «еще один портал про обучение», а фабрика стандартизированных знаний: кто чему учится, какие курсы проходят, как оцениваются результаты, какие навыки есть у обучающихся. Вся эта информация превращается в структурированные датасеты: попытки, траектории обучения, результаты тестов, компетенции, контент, метаданные.
Когда LMS нет, знания живут в головах, чатах и разрозненных файлах, и для ИИ это просто шум. Когда LMS есть, ИИ можно использовать для персонализации обучения, рекомендаций, аналитики квалификаций и автоматизации контента — потому что есть единый, стандартизированный слой данных.
Если формализовать мысль из книги:
Сначала создается инфраструктура сбора и стандартизации данных.
Потом поверх нее строятся ИИ-сервисы, которые усиливают уже выстроенные процессы.
В обучении эта инфраструктура — LMS. Она задает язык, форматы, события и контексты, с которыми уже может работать ИИ (рекомендательные модели, ассистенты, автоаналитика). Поэтому честный порядок такой: не «мы внедряем ИИ в обучение», а «мы сначала наводим порядок и стандарты через LMS, чтобы ИИ вообще имел смысл».