AI 드림마블 | 홈런-HomeLearn

i-Scream edu AI 드림마블

아이스크림에듀의 AI는 학습에 대한 문제의식과 그것을 해결하고자 하는 의지로부터 시작합니다.
"아이들은 모두 다 다른 역량과 자기만의 스타일을 가지고 있는데, 왜 획일화된 학습을 해야 할까요?"
"세상에 재미있는 것들이 이리도 많은데, 왜 우리 아이들에게 공부는 늘 재미 없는 것이어야 할까요?"
"왜, 우리 아이들은 공부하라는 잔소리에서 벗어날 수 없을까요?"

아이스크림에듀의 AI기술, 드림마블은 이런 문제들을 해결하고, 아이들과 교사들의 꿈을 키울 수 있게 합니다.

섬세한 진단과 맞춤 학습 추천을 통해 개인화 학습을 실현하고, 상호작용, 경험을 통한 학습으로 몰입할 수 있습니다.
이런 몰입은 자연스레 스스로 학습을 꾸려나가는 자기주도학습 능력으로 이어집니다.

뿐만 아니라 아이들의 길잡이가 되어 줄 교사, 학부모에게 아이들에게 더욱 집중할 수 있는 환경과 전문성을 제공해 줍니다.
일 1,600만 건 이상의 학습 데이터 분석을 기반으로 1:1 개인별 맞춤 학습을 제공하며 쌓아온 아이스크림에듀의 AI 노하우는 교육 분야의 크고 작은 문제를 해결하고 교육의 본질적 가치를 향상 시킬 것입니다.

개인화 맞춤 학습 설계

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.