AI 和教育到底谁在变革谁?

瞿炜在 2019 钛媒体 T-EDGE 科技生活节做主题演讲

教育行业内已经普遍认可“人工智能+教育”的重要性了,但当我们在大谈特谈 AI 如何重构教育时,它又会面临哪些真正的挑战?

7月13日,新东方 AI 研究院院长瞿炜来到 2019 钛媒体 T-EDGE 科技生活节谈了谈他的看法。

作为一家创立已经26年的老牌教育巨头,新东方积极拥抱新技术。在瞿炜看来,未来 AI 大势不可阻挡,“AI +教育”是新东方承担历史责任,必须要全力以赴。

在 AI 浪潮席卷各个产业的大背景下,去年,新东方教育科技集团成立了 AI 研究院。据瞿炜介绍,新东方 AI +教育的作战地图,主要从从教、学、考、评、测、练等维度进行,结合线上和线下的混合学习、学科维度等场景落地。

不过,就在他们这一年间快速落地“AI +教育”的时候,也发现了许多意想不到的挑战。这些挑战体现在语音识别、人脸识别、文字识别、自然语言处理,以及 AR 与 VR,几乎涵盖“AI +教育”的所有场景范畴。

就在行业热捧“AI 教师”的趋势下,瞿炜提出了一个值得注意的观察,他们通过研究市场上所有做 AI 教师直播课的产品,得出一个规律,无论产品模拟真人多么逼真,在8分钟之类,基本上学生都能发现 AI 教师是一个假人。

而在谈论 AI 变革行业,在具体落地场景时,我们也应当明确,行业也在发生变革与分化,不同行业的 AI 有截然不同的一套理论、算法和系统。(本文首发钛媒体,作者/李程程)

以下是新东方AI研究院院长瞿炜在2019 钛媒体 T-EDGE 科技生活节的演讲全文,经钛媒体编辑:

大家好,非常高兴今天受钛媒体邀请参加分享,刚才也听到了非常振奋人心的消息,今天是一个好日子,祝贺赵总今天融资1个亿。

这个时代科技和AI,某种程度上成为科技会议代名词,作为一个做AI做了20年的学者,我想分享一点我们不同的看法。我今天的题目既和教育相关也和AI相关,但是稍微不一样的是,到底谁在变革谁?

先介绍一下新东方,大家对新东方很熟悉了,不太一样的是,我们最新的数字大家未必很清楚。新东方除了英语学习很有名,其实在中小学全科教育,在中国也帮助了很多的孩子。新东方现在有1200个校区,5万间教室,6万名老师,去年班教超过1000万名学生。

当我们谈论AI+教育的时候,意味着有海量的数据,同时还拥有中国乃至世界上最全的教育场景,从3到30岁几乎全覆盖。

新东方在去年成立了新东方AI研究院,就是NAIR。新东方有26年的历史,这是非常年轻的团队,在新东方里是很新的团队,我们希望这支全新的团队能够跑得最快。

未来AI大势不可阻挡,AI+教育是新东方承担历史责任,我们要全力以赴。我们希望有更多的才俊投入到“AI+教育”造福全世界事业当中。

借着新东方平台,把AI+教育系统、产品快速实现大规模应用,不仅是一个创业的团队,我们更希望能够和现有业务紧密结合,和外面公司相比落地能力和技术更快。同时,我们进行商业模式创新;和投资伙伴一起构建AI+教育生态和跨领域合作。

简单谈一下AI变革教育,我们认为教育AI作战地图,新东方怎么做呢?我们从教、学、考、评、测、练等维度,同时也从AI技术维度、场景维度,无论是线上线下混合学习、学科维度共享这样一个作战地图。

举几个小小的例子,也是我们在过去一年快速落地的场景。

案例一,透明课堂。传统课堂是一个黑盒子,大家上过学也感同身受,教学质量更多时候靠老师的自觉和随机抽查而已,是一个很传统行业。当AI来了以后,一切发生巨大的变化,我们称之为“AI深度感知平台”,这个项目在新东方快速落地了,推出了一个边缘计算设备,称之为小N引擎。

第一个落地的项目在做“管”的层面,推出了“小n督课”,在很多城市、新东方几百个小区规模化的试点。今年新东方决定投资1个多亿,在新东方所有校区、所有教室落实督课,未来的新东方不光老师好,什么才叫老师好,AI告诉你。

案例二,教育在如何变革AI。大家可能很少听到,但是作为在一线实战的,深刻体会到如今的AI不光是大家耳熟能详变革这个、变革那个,当AI和传统行业结合的时候,通用化的AI已经不够了。

举几个例子,大家听过我的演讲大家感受到了,比方说我们进入教育的行业,我们会发现传统AI尽管在很多通用场景,但也面临很多挑战。

语音识别的挑战。比方说我在这里演讲,如果没有科大讯飞、微软百度引擎做语音识别,如果接入从麦克风接入的话,准确率达到99%是没有问题的,但是如果识音器在距离我20米之外,如果还有一定噪音的话,识别率直线下降的。但是在真实实战场景理想状态不存在,语音识别面临很多问题。

人脸识别的挑战。也是一样的,我们试图做行为分析,但新东方不做监控学生的事情,我们做的是提高教学质量,做的是有温度的AI,即使你这样做的时候,你会发现特别有挑战。你希望低成本,用最快的速度把AI的产品技术惠及更多的人,意味着更大挑战。你用最普通的摄像头做这件事情的时候你会发现,无论是超低分辨率、强大即便角度、遮挡下的人脸,这远比无人驾驶更现实的问题。

文字识别的挑战。OCR技术作为一个极其传统的技术,因为每个人手机几乎都用手指识别,进入教育行业大家发现如此挑战,你试图用一个手写板解决所有问题,不现实。因为你改变不了学生使用习惯,相当长一段时间之内还是会接受纸质板。如何线上线下结合,解决文字问题就会难倒一众教育公司。

自然语言处理的挑战。如果一个聊天场合,机器人不知道怎么办的时候可以闲聊,可是教育不是。当你教一个学生的时候,学生希望在最短的时间里知道准确答案。这个挑战我认为可能在一众的英文行业里面是最大的。

AR/VR的挑战。可实时交互的AI老师,从去年开始,如何用一个模型让你看不出它是一个假的人,逼真度要做到绝对逼真,有非常多的问题,除了图像上的问题,还有声音上的问题。我们做了一个实验,把市场上所有做AI直播做了一个测试,有一个规律发现,很少能挺过8分钟,8分钟之内基本上一个孩子能够发现这是一个假人,这对于AI+教育这件事来说是一个巨大挑战——如何挺过8分钟乃至于80分钟?

机器学习的挑战。大家普遍接受这个词了,过去5年大家对它不是很熟悉,被热炒一番以后。实际上机器学习才刚刚开始,现在AI是一个两三岁的孩子,我们做这行人来讲,连两三岁都不到。人从猿进化而来的,但是不能说人就是猿。大家总会去讲AI能够变革这个、变革那个,但是实际上从做AI的人来讲,当AI和教育结合的时候,AI不仅变革传统行业,真正落地的话,行业也在变革分化,不同行业的AI有截然不一样的理论、算法和系统。

我们重构教育AI能力体系,所有这些技术都是打引号的。联合行业内顶级合作伙伴一起做这件事情,这件事情难度非常大,实际上刚刚开始。不光要靠像新东方这样既有数据、又有场景同时有众多资源公司、行业龙头企业去做,同时需要最顶级研究机构加入,我们在进行深度合作,实际上是很开放的。给大家做一个小小的广告,如果有意愿从事AI+教育领域,无论是创业还是投资的朋友们,包括各个产业链条上的朋友们,如果愿意去投资AI+教育的未来的话,新东方绝对是你最好的合作伙伴。

最后一句话,“携手一起努力,让AI在教育领域落地开花”。

推荐文章

谷歌发布迄今最大注释图像数据集,190万图像目标检测挑战赛启动
【新智元导读】今天,谷歌宣布开放Open Images V4数据集,包含190万张图片,共计600个类别,共标记了1540万个边界框,这是迄今的有对象位置注释的最大数据集。基于此数据集,谷歌将在ECCV 2018举办大型图像挑战赛。2016年,谷歌推出一个包含900万张图片的联合发布数据库:Open Images,其中标注了成千上万个对象类别。从它发布以来,谷歌的工程师一直在努力更新和重新整理数据集,以为计算机视觉研究领域提供有用的资源来开发新的模型。今天,谷歌宣布开放Open Images V4,其中包含190万张图片,共计600个类别,共标记了1540万个边界框。这个数据集成为现有的带有对象位置注释的最大数据集。这些边界框大部分是由专业的注释人员手工绘制的,以确保准确性和一致性。这些图像非常多样,通常包含有几个对象的复杂场景(平均每个图像包含8个边界框)。谷歌发起大型开放图像挑战赛与此同时,谷歌还推出Open Image Challenge(开放图像挑战赛),这是一项新的目标检测挑战,将在2018年欧洲计算机视觉会议(ECCV 2018)上举行。Open Image Challenge遵循了PASCAL VOC、ImageNet和COCO的传统,但规模空前:在170万张训练图片中,有1220万个有框注释,共500个类别。比以前的检测挑战更广泛,包括诸如“fedora”和“snowman”之类的新对象。除了对象检测这个任务之外,挑战还包括一个视觉关系检测跟踪人物,即在特定关系中检测对象的配对情况,例如“女人弹吉他”。训练集现在已经可以使用了。一组包含10万个图像的测试集将于2018年7月1日由Kaggle发布。提交结果的截止日期是2018年9月1日。我们希望这些大型的训练集能够激发对更精密的探测模型的研究,这些模型将超过目前最先进的性能,并且500个类别将能够更精确地评估不同的探测器在哪里表现得最好。此外,有大量的图像和许多对象的注释使我们能够探索视觉关系检测,这是一个正在发展的分支领域的热门话题。除此之外,Open Images V4还包含3010万的人工验证的图像级标签,共计19794个类别,这并不是挑战的一部分。该数据集包括550万个图像级标签,由来自世界各地的成千上万的用户在crowdsource.google.com上生成。Open Images V4数据集Open Images是一个由900万张图片组成的数据集,这些图像被标注为图像级标签和对象边界框。V4的训练集包含了600对象类的1460万个图像,其中共标记了174万个标记目标,这使得它成为现有的最大包含对象位置注释的数据集。这些物体的边界框大部分是由专业的注释器手工绘制的,以确保准确性和一致性。这些图像非常多样,通常包含有多个对象的复杂场景(平均每个图像有8.4个标记)。此外,数据集还带有数千个类的图像级标签。数据组织结构数据集被分割为一个训练集(9,011,219图像),一个验证集(41620个图像)和一个测试集(125,436张图片)。这些图像被标注了图像级标签和边界框,如下所述。表1表1显示了数据集的所有子集中的图像级标签的概述。所有的图像都有机器生成的图像级标签,这些标签是由类似于Google Cloud Vision API的计算机视觉模型自动生成的。这些自动生成的标签有一个很大的假正率。此外,验证和测试集,以及部分训练集都包含经过人工验证的图像级标签。大多数验证都是由Google内部的注释者完成的。更小的部分是通过图片标签软件来完成的,如Crowdsource app, g.co/imagelabeler。这个验证过程实际上消除了假阳性(但不是传统意义上的假阴性,这种方式会导致一些标签可能在图像中丢失)。由此产生的标签在很大程度上是正确的,我们建议使用这些标签来训练计算机视觉模型。使用多个计算机视觉模型来生成样本,这样做是保证在训练时不仅仅用机器生成的标签数据,这就是为什么词汇表被显著扩展的原因,如表一所示。总的来说,有19995个不同的类和图像级标签。请注意,这个数字略高于上表中人工验证的标签的数量。原因是在机器生成的数据集中有少量的标签并没有出现在人工验证的集合中。可训练的类是那些在V4训练集中至少有100个正例的人工验证类。基于这个定义,7186个类被认为是可训练的。边界框表2表2显示了数据集的所有分割中边界框注释的概述,它包含了600个对象类。这些服务提供的范围比ILSVRC和COCO探测挑战的范围更广,包括诸如“fedora”和“snowman”之类的新对象。 对于训练集,我们在174 万的图像中标注了方框,用于可用的阳性人工标记的图像级标签。我们关注最具体的标签。例如,如果一个图像包含汽车、豪华轿车、螺丝刀,我们为豪华轿车和螺丝刀提供带注释的标注方框。对于图像中的每一个标签,我们详尽地注释了图像中的对象类的每个实例。数据集共包含1460万个的边界框。平均每个图像有8.4个标记对象。对于验证和测试集,针对所有可用的正图像级标签,我们提供了所有对象实例详尽的边界框注释。所有的边界框都是手工绘制的。我们有意地尝试在语义层次结构中尽可能详尽地标注注释框。平均来说,在验证和测试集中,每个图像标记了5个边界框。在所有的子集中,包括训练集、验证集和测试集中,注释器还为每个边界框标记了一组属性,例如指出该对象是否被遮挡。类定义(Class definitions)类别由MIDs(机器生成的id)标识,可以在Freebase或Google知识图的API中找到。每个类的简短描述都可以在类中CSV中找到。统计和数据分析600个可标记类的层次结构本文来自新浪网

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。