아이스크림에듀는 최신의 AI기술을 활용해 학습자, 학습 행태, 콘텐츠 간의 유기적 연결을 통한 개인맞춤 학습 구현
인공지능 기술을 통해 보다 밀도 높은 분석과 정교한 관계성 분석기반으로 다면적인 학습 분석 제공
AI 보유기술 조견표
AI 보유기술 및 관련 서비스 _전체 Flow
아이스크림에듀는 AI분석기반으로 학습 성장(+)과 부진(-) 신호를 캐치하여 선제적으로 학습자에 필요한 학습 처방 제공하여 홈런 학습자들의 자기주도 학습능력 생성을 위한 학습의 선순환적 고리 체계 형성
AI서비스 기반 기술
수학 지식맵
지식맵은 학습자가 학습하는 내용을 구조화하고 시각화하여 학습하고 있는 내용을 더욱 명확하게 이해하고, 필요한 정보를 쉽게 찾아볼 수 있도록 구성되어 있음
아이스크림에듀의 지식맵은 딥러닝 기반의 지식맵 시뮬레이션 모델로 전문가와 함께 개발되어 적합성이 높으며, 개념 간의 연계성을 파악하여 보다 정확한 진단과 추천을 가능 할 수 있도록 설계 되어 있음
또한 모델 변경 및 수정이 용이하고 확장성이 높게 설계되어 있음
학습자의 학습 이력과 과목의 메타 정보를 이용하여 여러 지식 간 선/후행 관계를 표현하여 학습 효율성을 높이는데 큰 도움 제공
DKT (Deep Knowledge Tracing): 지식추적
아이스크림에듀는 2017년 발표 이후 최고의 성능을 보여주는 Transformer 기반이며 딥러닝 모델을 기반으로 기술 자립도 높음
학습자의 개인화된 학습 추적 및 진단을 가능하게 하는 Transformer 기반 딥러닝 기반 학습 분석 기술
학습자가 문제를 푸는 문항풀이 확률, 풀이실수예측 등을 분석하여 학습자의 이해도를 도출하고 학습 과정을 추적하여 이를 통해 개인화된 학습 계획 및 개선 방안을 제시할 수 있음
모델은 데이터와 지식맵, 진단 모델을 가지고 있어서 변경/갱신/도메인 변경 등 확장성이 높으며 최신 아키텍처와 함께 설명력과 성능을 높이기 위해 기존에 공개되지 않은 기술들을 접목하고 있음
문항 및 컨텐츠 추천 엔진
아이스크림에듀는 학습자의 이해도, 문제의 난이도, 풀이 패턴 등을 조합해 기계 학습 및 딥러닝 방식으로 문항을 학습자 중심으로 동적 추천방식으로 제공
문항 추천 엔진은 학생들이 푼 문제를 분석해서 그들의 수준과 풀이 패턴 등을 파악하여 가장 알맞은 문제를 추천해 줌
ANN, CF 등의 기계학습/딥러닝 모델을 조합해서 학생들에게 더욱 정확하고 개인화된 문제를 추천해 줄 수 있음 또한, 문항 추천 엔진은 이러한 추천 과정에서 데이터를 자동으로 수집하고 분석하기 때문에, 보다 높은 자립도와 효율성을 가지고 있음
OCR(Optical Character Recognition) : 광학문자판독기술
손 글씨를 이미지로 텍스트로 전환하는 기술
70만개 손 글씨 데이터 기반으로 홈런만에 자체 학습 모델 개발 및 하이브리드 엔진 전략으로 타사 대비 인식률 높음
획순에 관계 없이 이미지로만 결과 전송 되므로 다양한 플랫폼에 대응해서 사용 할 수 있음
BERT (AI기반 문장 유사도 평가 기술)
실제 사람이 인지하는 의미상의 기준으로 두 문장 간의 유사도를 %로 계산해서 문장 유사도 (Semantic Textual Similarity) 측정하는 기술
두 문장 간의 유사도를 %로 계산하여 실제 사람이 인지하는 의미상의 기준으로 판독
IRT (Item Response Theory) : 문항반응이론
문항반응이론(Item Response Theory)은 피험자들의 문항 풀이 결과를 분석하여 피험자의 능력 수준과 문항의 특성(난이도, 변별도 등)을 추론
문항의 특성 수에 따라 1PL(난이도), 2PL(난이도, 변별도), 3PL(난이도, 변별도, 추측도), 4PL(난이도, 변별도, 추측도, 실수도) 모형으로 구분
적용: 4PL 모형을 채택하여 온라인 플랫폼에 적합하게 IRT 추론 네트워크를 구성하여 측정된 데이터를 서비스에 활용
영어 STT와 발음평가
Speech-to-text 기술은 음성 인식 기술로 컴퓨터가 말한 언어를 텍스트로 변환할 수 있도록 하는 인공 지능입니다.
통계 모델, 알고리즘 및 머신 러닝 기술을 사용하여 인간의 말소리에서 생성된 음향 신호를 처리하고 이를 텍스트로 변환합니다.
발음 평가 기술은 Language Identification과 STT 기술을 결합하여, 성별, 말하는 방식 및 연령이 다른 익명의 화자의 오디오에서 언어를 감지하고, 대상 문장의 정확도와 말하는 타이밍 등을 고려하여 평가하는 기술입니다.
AI맞춤 학습분석체계
국제표준인증기반 1EDUTECH의 Caliper Analytics 기준으로 학습 및 학습자 활동 데이터를 체계적인 방법으로 수집
학생의 다양한 학습 data를 직접 접근하여 대화식분석기반으로 자기주도 학습의 선순환 구조 생성
인공지능 자연어 처리(NLP) – 대규모 언어 모델(LLM) : 텍스트 생성 및 대화
대규모 데이터셋을 기반으로 학습한 인공지능 언어 모델을 사용하여 텍스트 생성 및 대화를 수행
주어진 텍스트의 뒤에 이어질 것으로 적절한 텍스트를 예측하는 방식의 자기회귀 언어 모델(Autoregressive LM)을 개발
생성형 인공지능을 활용하여 챗봇, 질의응답, 창작 등의 다양한 자연어 처리 문제를 해결
생성 언어 모델
생성 언어 모델을 활용하여 문서의 제목과 키워드를 자동으로 추출해낼 수 있음
제목 생성 모델: 대규모 문서와 제목 간의 관계를 언어모델이 찾아낼 수 있도록 훈련하여, 스스로 문서에서 제목을 찾아내는 작업을 수행
키워드 생성 모델: 대규모 문서에서 가장 핵심이 되는 단어를 언어모델이 찾아내는 작업 수행
유해성 판단 모델
자연어 처리 기술과 머신 러닝 알고리즘을 활용하여 문맥과 단어 등을 파악하여 문장 내에서 유해한 단어를 식별하는 모델
단순히 단어의 일치 여부만을 고려하는 것이 아니라, 문맥을 이해하여 이를 통해 보다 정확하고 효과적인 유해성 단어를 감지할 수 있는 장점이 높음