人工智能是21世纪最重要的技术之一。如今，无论您在家观看Netflix还是在上班途中开车，它都不超过几米之遥。
很难不去想一个科技创新时机不成熟的行业——尤其是当涉及到医疗和教育的微妙而重要的话题时。
德米特里·佩斯科夫（Dmitry Peskov）是一位在教育领域与人工智能解决方案密切合作的人。
佩斯科夫显然相信人工智能推动的未来，他发展大学20.35是他的雄心壮志和渴望为当今高等教育缺陷找到创新解决方案的一个最佳例子。我坐下来问他几个问题。以下是他对AI推动的高等教育未来的看法。
您可能还喜欢：
AI 如何在学校使用？
您好，Dmitry，请告诉我们您在人工智能高等教育中的角色。
我面临着为未来数字经济培训各种专家的任务。当我们开始处理这一问题时，我们看到其中的教学方法和传统教育模式与私营公司或政府的需求不相适应。一切都在迅速变化，新的专业化正在出现，对传统专业的需求也在不断扩大。我们意识到，我们需要一个灵活的，数据驱动的教育平台，一切都可以通过使用AI实现尽可能的个性化。
AI在计算学生路径方面有多准确？
这完全取决于我们向 AI 提供的数据的质量。它可以接收大量的数据，但如果我们想要从中获得最有用的信息，那么，当然，我们应该帮助它。例如，我已经提到AI分析学生上传到系统的各种多媒体材料。
但是，为了从这些数据中得出实际结论，它必须与教育过程有关。如果你拍一张膝盖的照片，然后上传到系统，那将毫无用处。我们的经验表明，学生能够快速适应与 AI 的高效交互。尤其是当他们开始得到有用的反馈。
当然，在未来，AI需要较少的援助，因为我们将逐步能够训练它，以胜任地过滤多余的信息。但是现在，它就像一个小孩子，仍然需要教很多。
一般来说，轨迹形成的准确性相当高，因为AI需要大量的输入数据进行分析。其基础是，我之前谈到的每个数字足迹。显然，随着数据收集得越正确，建议的开发路径就越准确和精确。
数字足迹能够提供有关学生能力的信息类型是什么？
数字足迹包括我们可以包含的所有学生活动。这包括任务和成就的结果。AI 记录参与者在现实中（我们查看地理位置和移动）和社交网络上各个组的互动方式。
此外，还分析了学生自己上传到系统的多媒体材料。该数据可以包括演示文稿、照片、视频和音频。我们还查看生物识别数据。将来，我相信大学肯定要根据学生的身体和情绪状况来分配负荷，因为这直接影响到新材料的采用。
这是数据驱动的教育。这就是未来教育的区别。也正是这种大数据使 AI 能够提供最高度个性化的建议。在培训期间，根据每个学生的数字足迹，形成每个学生的数字档案。数字足迹可以比任何简历更客观地理解个人的长处和短处。
教育AI如何建立一个环境，而不需要教师？
没有教师和讲师仍然是不可能的。只是他们的功能会稍有不同。此外，AI将使我们能够客观地评价学生，也评估教师。我们也在发展这样的机制。
未来，不同大学的教师将形成”云”。而且，根据教育轨道，学生将收到来自AI的相关建议。顺便说一下，我们不仅谈论教师，而且谈论个人在线课程、黑客马拉松、培训等。所有结果都将显示在学生的数字档案中。
您是否看到教育 AI 在教育环境中的表现优于教师？
正如我已指出，AI并不取代讲师或教师。但它将允许向大众化、人格化教育模式过渡。这是因为没有教师可以分析如此大量的数据。此外，许多结论根本不明显，只有通过使用AI才可能。
现在我们周围有很多信息。而选择的问题只会年复一年地加剧。为了在市场上有需求，应该发展什么样的技能？如何以及在哪里可以做到这一点？在这种情况下，AI 充当导师和数字教练。
AI 能否帮助解决教育方面一些重大问题？
是的，当然。人工智能允许高度准确地评估对特定个人重要和有趣的内容。只收到有趣的内容的学生或学童学习更好但是，一切的开始都是一种个人教育的方法。
顺便说一下，还使用AI对语音进行了分析，并将结果记录在参与者的数字足迹中。
语义分析的主要优点是，我们用它来打开一个全新的水平，客观评估的个人和衡量教育的结果。这是对认知风格的评估。无论是考试，还是论文，或任何其他类型的考试都无法说明这一点。事实上，考试是最残酷的。如果一个人感觉不舒服，他们将得到一个不充分的标记。
是否可以在任务期间分析参与者的生物识别技术？
2018年，我们开始在10-21岛的第一个强化课程收集生物识别数据。当时，我们在整个课程中使用特殊手镯记录指标。这一次，我们决定放弃手镯，并组织了一个单独的实验室进行生物识别和神经生理学。我们测量了参与者在白天的各种指标，并观察了他们的情况是如何变化的。我们还使用各种模拟器，分析参与者在生理水平上如何应对各种测试和任务。
为了提高教育过程的个性化和灵活性，必须收集生物识别数据。现在，这是一个实验领域，但在未来，教育课程的负荷和强度的确定应该基于参与者的状态。假设到了晚上，我们看到精疲力竭，然后，第二天，我们可以调整节目，例如，专注于体育或文化活动。
当个人或团队处于资源状态时，他们会更快、更高效地学习和处理复杂的任务。因此，我们正在积极朝这个方向努力。
