Hoe machine learning ervoor zorgt dat duizenden studenten thuis examens kunnen afleggen

Hoe machine learning ervoor zorgt dat duizenden studenten thuis examens kunnen afleggen

Door Mary-Ann Russon
Zakelijke verslaggever, BBC News

Gepubliceerdduur1 dag geleden delenSharenocloseShare pagelinkKopieer linkOver delenRelated TopicsCoronavirus pandemieimage copyrightGetty Imagesimage captionBeter Examinations ’technologie houdt examenzitters in de gaten via hun webcams

De telefoons begonnen in april te rinkelen bij het bedrijf Better Examinations van Piero Tintori.

Zijn technische bedrijf stelt tienduizenden studenten in staat om tegelijkertijd op afstand examens af te leggen, waarbij ze allemaal slechts een laptop, een webcam en een internetverbinding nodig hebben.

De software van het bedrijf maakt gebruik van machine learning (ML), een geavanceerde vorm van kunstmatige intelligentie, om patronen in gebruikersgedrag te detecteren die kunnen duiden op pogingen om vals te spelen. De technologie kan ook automatisch multiple-choice antwoorden en wiskunde-examens markeren.

Bovendien controleert het de identiteit van elke examinator met behulp van de webcam, om er zeker van te zijn dat niemand anders de test voor hen aflegt. Het Better Examinations-programma beperkt ook tijdelijk de toegang tot internet of bepaalde websites en applicaties op de computer van elke persoon.

“We hadden 60 organisaties van over de hele wereld die uit het niets contact met ons opnamen, die in mei en juni examens online wilden afleggen”, zegt de heer Tintori. “Alles, van universiteiten tot professionele organisaties, tot scholen.”

Afbeelding copyrightBeter examenBijschrift afbeeldingPiero Tintori zegt dat hij zelfs rechtstreeks is benaderd door een aantal regeringen

Met het hoofdkantoor van het bedrijf in Dublin, plus kantoren in de VS, Australië en Polen, gebruikt het Amazon’s cloud computing-systeem Amazon Web Services om alles online te laten werken.

De heer Tintori zegt dat hij ook rechtstreeks is benaderd door vijf regeringen (die hij niet wil noemen), die graag wilden dat schoolexamens zouden doorgaan.

De AI die de ziekte van Alzheimer opmerkt door het tekenen van koekjes

Betere examens is slechts één voorbeeld van het toegenomen gebruik van ML als reactie op de pandemie van dit jaar, waarbij de technologie wordt gebruikt om werk veel sneller uit te voeren dan mensen, zoals het nakijken van examenpapieren.

Maar wat is ML precies? Het is een methode voor gegevensanalyse, waarbij computeralgoritmen worden gebruikt om snel grote hoeveelheden gegevens te verwerken, voorspellingen te doen, patronen te identificeren en acties na te bootsen die mensen in hun dagelijkse werk doen.

Volgens een studie zal het gebruik van ML de komende vier jaar zo sterk toenemen dat de geschatte wereldwijde economische waarde ervan dit jaar zal stijgen van $ 7,3 miljard (£ 5,7 miljard) tot $ 30,6 miljard in 2024.

image copyrightGetty Imagesimage captionMachine learning is bedoeld om computers in staat te stellen meer menselijke beslissingen te nemen

Wereldwijd advocatenkantoor DWF, dat de interne juridische teams van grote bedrijven helpt, is een ander bedrijf dat de technologie nu steeds meer gebruikt.

Het werd benaderd door een groot vastgoedbedrijf dat een “onmogelijke” taak had. De klant wilde 10.000 huurdocumenten voor onroerend goed, op papier en elektronisch opgeslagen, en op verschillende locaties, gedigitaliseerd in een centrale database.

Deze firma wilde ook de exacte voorwaarden van elk van de huurovereenkomsten weten om nieuwe commerciële kansen te ontdekken.

“Traditioneel zou je paralegals onder toezicht krijgen om door de documenten te ploegen. Maar vanuit kostenoogpunt werkt het niet, en het is ook inconsistent”, zegt Mark Qualter, CEO van DWF’s managed services-divisie.

DWF ontwierp een ML-systeem om elk lease-document in categorieën te classificeren, specifieke soorten details te identificeren en vervolgens gegevens uit het document te extraheren.

afbeelding copyright DWF afbeelding onderschrift DWF’s Mark Qualter zegt dat ML-technologie veel sneller kan zijn dan mensen gebruiken om hetzelfde werk te doen

Ook de banksector omarmt ML. De Britse bouwmaatschappij Nationwide had de Amerikaanse computergigant IBM gevraagd om er een kunstmatige intelligentie “chatbot” genaamd Arti voor te bouwen, om beginnende kopers te helpen begrijpen hoe ze een hypotheek kunnen krijgen.

Maar toen het VK in maart voor het eerst werd afgesloten en hypotheekverlofingen werden aangekondigd, werd de geldschieter in plaats daarvan overspoeld met vragen over hen.

In slechts vier dagen tijd werd Arti – aangedreven door AI-platform IBM Watson – omgeschoold om vragen over hypotheekverlof te beantwoorden. De virtuele agent behandelde ook andere vragen, aangezien Nationwide het aantal registraties voor internetbankieren met 89% zag stijgen.

“In iets meer dan twee maanden had Arti op meer dan 10.000 vragen gereageerd, en sindsdien nog eens 350 per dag, waardoor er honderden uren vrijgemaakt zijn voor eerstelijns teams om hun tijd te besteden aan het verwerken van complexere verzoeken van leden”, zegt Michael Conway, UK lead voor kunstmatige intelligentie bij IBM Services.

“Simpel gezegd, het stelde Nationwide in staat zijn middelen te concentreren op degenen die de meeste hulp nodig hadden, zonder de behoeften van alle anderen te negeren.”

image copyrightGetty Images image captionNationwide heeft de registraties voor online bankieren zien stijgen tijdens de pandemie

Ondertussen gebruikt een andere Britse retailbank ML-algoritmen om klanten te identificeren die indicaties van financiële problemen vertonen, zodat ze automatisch kunnen worden gecontacteerd en vervolgens ondersteuning kunnen bieden voordat de zaken uit de hand lopen.

Dit is aan de geldschieter verstrekt door BJSS, een multinationaal technologisch ingenieursbureau met hoofdkantoor in Leeds.

Sri Harsha Tharkabhushanam, hoofd datawetenschap bij BJSS, zegt dat 30% van de mensen met een betalingsachterstand voorheen in een ernstige positie was beland waar “de bank op dat moment nog maar heel weinig voor hen kon doen”.

Maar na de implementatie van het ML-model zorgden de geautomatiseerde prompts ervoor dat minder mensen in ernstige moeilijkheden kwamen, met een daling tot 10%.

Het verzamelen van bedrijfsinformatie met behulp van AI wordt ook een groot probleem.

Een groot Europees farmaceutisch bedrijf, dat anoniem wil blijven, wilde er bijvoorbeeld voor zorgen dat als er een nieuw product werd gelanceerd of een start-up werd gekocht door een van hun concurrenten, het er snel van op de hoogte was.

New Tech Economy is een serie waarin wordt onderzocht hoe technologische innovatie vorm gaat geven aan het nieuwe opkomende economische landschap.

Het bedrijf gebruikte Filament AI, een machinaal lerend softwarebedrijf in Londen, om het een op maat gemaakt ML-systeem te bouwen dat 1000 websites, 200 verhaalfeeds en ongeveer 200.000 nieuwsartikelen per dag de klok rond kon monitoren.

Michael Osborne, hoogleraar machine learning aan de Universiteit van Oxford, zegt dat bedrijven in veel bedrijfstakken nu “wanhopig proberen om ML in handen te krijgen”, aangezien veel meer dingen nu digitaal worden gekwantificeerd, waardoor het gemakkelijker wordt om ze te analyseren om inzichten te verkrijgen .

Martha White, universitair hoofddocent informatica aan de Universiteit van Alberta in Canada, is het ermee eens dat het gebruik van ML snel groeit.

“De combinatie van meer gegevens en krachtigere computers, en een focus op het benutten van beide, heeft het veld echt vooruit geholpen”, zegt ze.

“De prevalentie zal om een ​​aantal redenen blijven groeien. Ten eerste is er nog steeds veel laaghangend fruit en de mogelijkheid om geld te verdienen met de bestaande technologie. Ten tweede zullen we beter worden in het verbeteren van onze eigen besluitvorming door gebruik te maken van voorspellingen van machine learning-systemen. “

Maar hoewel ML steeds populairder wordt, zijn er zorgen dat het oversold is als een “toverstaf”, en het wantrouwen van het publiek neemt alleen maar toe, waarschuwt prof. Osborne.

“ML is niet deze alles zingende, dansende oplossing voor onze ellende”, zegt hij. “In plaats daarvan is het iets dat alleen waarde oplevert wanneer het hand in hand met mensen werkt en mensen het laten aanpassen aan hun specifieke behoeften.

“ML is krachtig, maar niet een volledig universele technologie. Het vereist veel zorgvuldige aanpassingen om het voor elke nieuwe toepassing te laten werken.”

.