Российские программисты разработали искусственный интеллект, который адаптируется под мышление ребенка для обучения школьной программе. Соединив собственный ИИ-модуль и ИИ-ассистента, адаптированных под каждый школьный предмет было создано, по сути, полноценное образовательное заведение ИИ “Препод”. Архитектура системы предусматривает наличие ассистента-психолога, методистов и иных профильных специалистов. Это дало возможность создать мультидисциплинарную экосистему ИИ “Препод” для поддержки процесса обучения.
Сейчас платформа насчитывает более 500 уникальных ИИ-ассистентов. Это гораздо больше, чем учителей в стандартных школах, а объем знаний ИИ—ассистентов позволяет находить подход ко всем детям, независимо от их возраста, особенностей психологического развития и склонностей к предметам.
Чтобы найти общий язык с детьми, ИИ, кроме самих школьных предметов, изучил огромный объем данных — детской литературы, мультфильмов, фильмов, мемов, компьютерных игр. Благодаря этому дети обучаются с использованием, как формального “школьного языка”, так и с использованием понятных каждому возрасту шуток, мемов, цитат из фильмов и книжных героев.
Работая отдельно с каждым ребенком, специализированные ассистенты проводят глубокую оценку знаний учащегося, действуя как узконаправленные эксперты в конкретных областях. Такой комплексный анализ обеспечивает максимально приближенное к школьной системе качество и индивидуальный подход в обучении, который гарантирует индивидуальное сопровождение со стороны прекрасно-эрудированного специалиста в определенной предметной области.
ИИ “Препод” разработан на базе Python/Django с интегрированными специализированными алгоритмами искусственного интеллекта спроектировали с нуля систему, которая детально прорабатывает информацию.
В основе платформы лежит ИИ-модуль, именно отсеивает петабайты ненужной информации, отбирая важное в условиях Big Data на распределенных вычислительных кластерах.
Самообучение ИИ “Препод” длилось 8 месяцев. Особое внимание разработчик уделили выбору оптимальной обучающей парадигмы нейронных сетей. PyTorch и TensorFlow предоставляли мощные инструменты для того, чтобы убрать лишнее и заполнить пробелы в составлении уроков для школьников. Для оптимизации вычислений на GPU использовалась технология CUDA. Для коммуникации между графическими процессорами – библиотека NCCL.
Также программисты переработали многие open-source решения, изначально предназначенные для широкого круга применений. Это обеспечило соответствие возможностей платформы к требованиям школьной программы и высокую надежность обработки данных.
