Come e perché Google ha creato il suo strumento di intelligenza artificiale per l'istruzione.
PODCAST OSPITE: Ed-Technical Stagione 2 Episodio 9
Autori
In questa stagione Libby Hills dal Jacobs Foundation e il ricercatore di IA Owen Henkel continuano a parlare con ricercatori, professionisti ed educatori di spicco su Serie di podcast Ed-Technical Si parlerà delle frontiere dell'intelligenza artificiale nell'istruzione. I relatori scomporranno concetti complessi di IA in nozioni non tecniche per comprendere meglio i risultati della ricerca e aiutare gli educatori a distinguere le informazioni utili dall'eccessivo clamore mediatico sull'IA.
Questo episodio è il secondo della nostra serie in tre parti miniserie con GoogleIn questa puntata scopriamo come una delle più grandi aziende tecnologiche al mondo ha sviluppato una famiglia di modelli linguistici di grandi dimensioni specificamente per l'istruzione, chiamata LearnLM. L'attenzione si concentra sulle basi tecniche e concettuali di LearnLM. Libby e Owen intervistano tre esperti di Google, tra cui DeepMind, che sono fortemente coinvolti nello sviluppo di LearnLM.
Uno dei problemi con i modelli linguistici di grandi dimensioni pronti all'uso è che sono progettati per essere Assistenti disponibiliNon si tratta di insegnanti. Google era interessata a sviluppare un modello linguistico di grandi dimensioni più adatto a compiti educativi, che altri potessero utilizzare come punto di partenza per prodotti didattici. In questo episodio, i membri del team di Google parlano di come hanno affrontato questo progetto e perché alcune delle sottigliezze di un buon insegnamento rendono questa impresa particolarmente complessa!
Descrivono i processi "dietro le quinte" che trasformano un modello linguistico generico e di grandi dimensioni in qualcosa di più adatto alle esigenze educative. Libby e Owen esplorano come i team di Google hanno affrontato la messa a punto per dotare LearnLM di comportamenti pedagogici che non possono essere ottenuti con la sola ingegneria dei prompt. Questo episodio offre uno sguardo raro sul rigoroso, iterativo e multidisciplinare sforzo necessario per rimodellare un'IA generica in uno strumento che ha il potenziale per supportare l'apprendimento.
Restate sintonizzati per il prossimo episodio di questa miniserie, in cui Libby e Owen fanno un passo indietro e guardano come definire tutoraggio e valutare in che misura uno strumento di intelligenza artificiale stia fornendo i risultati sperati.
Biografie dei membri del team
Muktha Ananda Muktha è Engineering Leader, Learning and Education @Google. Ha applicato l'intelligenza artificiale a diversi ambiti, come i videogiochi, la ricerca, i social network professionali e la pubblicità online, e più recentemente all'istruzione e all'apprendimento. Alcuni credono nella possibilità di rendere l'IA più intelligente. Il lavoro di Muktha si è concentrato sul rendere le persone più intelligenti attraverso l'IA, semplificando concetti complessi che le persone incontrano quotidianamente. Gran parte del suo lavoro ruota attorno alla creazione di piattaforme, in particolare i knowledge graph. In Google, il team di Muktha sviluppa tecnologie di IA orizzontali per l'apprendimento, utilizzabili su diverse piattaforme come Ricerca, Gemini, Classroom e YouTube. Muktha lavora anche su Gemini Learning. Il team ha lanciato Learning Coach, la prima esperienza di tutoraggio su Gemini.
Markus Kunesch Markus è Staff Research Engineer presso Google DeepMind e responsabile tecnico del programma di ricerca AI for Education. Il suo lavoro si concentra sull'intelligenza artificiale generativa, sull'IA per l'istruzione e sull'etica dell'IA, con un particolare interesse nel tradurre la ricerca nelle scienze sociali in nuovi approcci di valutazione e modellazione. Prima di dedicarsi alla ricerca sull'IA, Markus ha conseguito un dottorato di ricerca in fisica dei buchi neri.
Irina Jurenka Irina è Research Lead presso Google DeepMind, dove collabora con un team multidisciplinare di ricercatori e ingegneri per sviluppare le capacità dell'IA generativa con l'obiettivo di rendere l'istruzione di qualità più accessibile a tutti. In precedenza, si è occupata di migliorare il ragionamento nei modelli linguistici e di comprendere cosa rende una rappresentazione "efficace" a supporto dell'intelligenza artificiale, integrando concetti provenienti dall'apprendimento automatico, dalle neuroscienze e dalla fisica. Prima di entrare in DeepMind, Irina ha vinto il British Psychological Society Undergraduate Award per i suoi risultati come studentessa di Psicologia Sperimentale presso l'Università di Westminster. Successivamente, ha conseguito un dottorato di ricerca presso l'Oxford Center for Computational Neuroscience and Artificial Intelligence, dove si è concentrata sulla comprensione dei principi computazionali alla base dell'elaborazione del linguaggio nel cervello uditivo. Durante il suo dottorato, Irina ha anche lavorato allo sviluppo di un'IA per il poker, all'applicazione dell'apprendimento automatico nel settore finanziario e al riconoscimento vocale presso Google Research.
vetro
Autori