圖片來源：攝圖網(wǎng)

過去，人們試圖通過分析學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，給予其個性化的學(xué)習(xí)指導(dǎo)。但是，由于數(shù)據(jù)搜集技術(shù)的局限性，導(dǎo)致數(shù)據(jù)的指導(dǎo)意義不夠準確，商業(yè)化應(yīng)用產(chǎn)值低。

近年來，隨著技術(shù)的進步，以及資本市場的關(guān)注，教育科技產(chǎn)品呈現(xiàn)井噴式爆發(fā)，許多學(xué)習(xí)過程得以數(shù)字化，數(shù)據(jù)搜集變得更加簡單。

大數(shù)據(jù)（Big Data）爆炸成長成為機器學(xué)習(xí)的養(yǎng)分。機器學(xué)習(xí)能獲得充分的訓(xùn)練數(shù)據(jù)（training data） 與計算效能。人工智能產(chǎn)業(yè)（Artificial Intelligence，AI）經(jīng)過一甲子的起落，終于因技術(shù)條件到位，開始突飛猛進。但是，單純掌握某種數(shù)據(jù)，不能實現(xiàn)功能上的聯(lián)動和數(shù)據(jù)共享，這種信息孤島現(xiàn)象會成為人工智能發(fā)揮的最大阻礙。

什么是機器學(xué)習(xí)？

機器學(xué)習(xí)（Machine Learning）是人工智能的子領(lǐng)域。而常聽到的深度學(xué)習(xí)（Deep Learning）則是機器學(xué)習(xí)中的一支。

人工智能的范疇，涵蓋了所有嘗試以電腦去模仿人腦處理信息的能力。例如：以電路設(shè)計或算法來模仿人腦神經(jīng)元網(wǎng)絡(luò)的運作；以程序模擬彼此互連的知識概念，如 Google 搜尋引擎的核心——知識圖譜（Knowledge Graph）；以及，讓電腦能理解人類語言的自然語言處理技術(shù)（Natural Language Processing）等，都屬于人工智能的范疇。模仿人腦思考能力的人工智能到目前為止，不算完全成功；倒是機器學(xué)習(xí)技術(shù)，因為上述原因，達到博聞強記，神速運算的效果，而異軍突起。

機器學(xué)習(xí)大量使用統(tǒng)計的方法與推論，建立預(yù)測能力，讓電腦或人類可以有效地即時采取行動。機器學(xué)習(xí)的核心，在于電腦能從收到的資料中學(xué)習(xí)，持續(xù)提升達成預(yù)設(shè)目標的能力（例如，專門推薦餐廳的應(yīng)用），而不需依賴開發(fā)者不斷下發(fā)指令。

今天，機器學(xué)習(xí)技術(shù)已經(jīng)被廣泛應(yīng)用于各產(chǎn)業(yè)。以下是各種可能的能力，例如：購物網(wǎng)站根據(jù)使用者瀏覽行為與歷史紀錄，動態(tài)調(diào)整推薦商品；零售商店根據(jù)氣候、季節(jié)、日期與地理位置等，計算各商品最佳定價；還有，人臉或圖片辨識、手寫輸入辨識、語音辨識、自動過濾垃圾郵件、自動偵測信用卡盜刷、幫醫(yī)生判讀資料等。機器學(xué)習(xí)早已被廣泛用在我們生活中，甚至你可能曾與人工智能客服交手過而不知道。

最引人關(guān)注的代表性事件包括 AlphaGo 戰(zhàn)勝世界圍棋冠軍、自動駕駛汽車上路、IBM Watson 用于開發(fā)智能語音助理等。

如果將機器學(xué)習(xí)用在學(xué)習(xí)上，又有哪些可能呢？臺灣大學(xué)林軒田教授團隊 2010 年贏得 KDD Cup 冠軍，題目是根據(jù) 3000 名學(xué)生回答數(shù)學(xué)題的 900 萬條記錄，預(yù)測個別學(xué)生是否能答對特定題目。這是一個容易理解的例子，也是一個非常清楚定義的問題。

人工智能成為熱門話題，一般人以此用語統(tǒng)稱，并不清楚其中各領(lǐng)域本質(zhì)上的差異。組織主管看到別人揮著這把“尚方寶劍”，媒體文章說著：下一個十年的絕勝點在于掌握如何善用人工智能，內(nèi)心多少有焦慮，希望就像電影里一樣，一朝搶到尚方寶劍，就立于不敗之地。教育培訓(xùn)科技產(chǎn)業(yè)人士對人工智能的期許，情形類似。

現(xiàn)今人工智能已逐漸像基礎(chǔ)建設(shè)（例如：電力，水）一樣可以接取使用，所以，許多人認為以上的期待并不遙遠。沒錯，許多機器學(xué)習(xí)的計算能力已經(jīng)透過程序接口（API）提供出來，例如：IBM 的 Watson、谷歌、微軟、阿里云都有提供這類接口服務(wù)。

人工智能是尚方寶劍還是石中劍？

可惜現(xiàn)實世界是個復(fù)雜的系統(tǒng)，這不是 plug-and-play（即插即用）。

第一，如果你還沒有明確定義的問題，人工智能對你是沒用的。對這點事實，人類應(yīng)該感到慶幸（不會被取代），機器人只能解決我們定義好而且適當建模的問題。各種算法就像用在不同場景的各種單一功能工具，依靠人類對關(guān)注的系統(tǒng)建立模型后，選擇適當工具用在適當?shù)沫h(huán)節(jié)，并需要實際數(shù)據(jù)來訓(xùn)練模型，調(diào)校與優(yōu)化參數(shù)。數(shù)據(jù)越多，人工智能表現(xiàn)越好。有時因為情境或使用者的基礎(chǔ)不同，可能需重新訓(xùn)練模型。

第二，如果你沒有 （1）正確結(jié)構(gòu)化（2）乾凈（3）足夠的 -- 數(shù)據(jù)(Data)，幻想接上人工智能就會有神奇的效果，那是不可能的。

不準確的數(shù)據(jù)只會帶來誤判，資料科學(xué)家都知道整理資料經(jīng)?；ǖ?nbsp;80% 的時間，結(jié)構(gòu)化的資料是為分析而設(shè)計過的資料格式，節(jié)省清理與匯整資料的時間，也與模型對接。模型要準，需要越多資料越好，所謂“足夠”的資料，根據(jù)你定義的問題范圍大小而定。

自適應(yīng)技術(shù)在美國已逐漸導(dǎo)入各學(xué)習(xí)系統(tǒng)，有些正式評量也被采用，但為何還會出現(xiàn)成效不彰的反面案例呢？像所有工程系統(tǒng)一樣，這些系統(tǒng)設(shè)計上有許多因子與參數(shù)，因各自設(shè)定不同，應(yīng)用時最好能視需求讓使用者調(diào)整部分參數(shù)。但在實際應(yīng)用過程中，并非都有這種選項，結(jié)果不同系統(tǒng)效能自然相異。國外在學(xué)習(xí)場景導(dǎo)入這種系統(tǒng)，是經(jīng)過好幾年與教師密切溝通合作，才得以成功。另外，其應(yīng)用場景需將內(nèi)容放進該系統(tǒng)，如果學(xué)習(xí)發(fā)生在系統(tǒng)之外，則系統(tǒng)擁有的資料不夠，效能當然大打折扣。

何謂足夠的資料（數(shù)據(jù)）？

學(xué)習(xí)的趨勢持續(xù)走向分散化、多元化、去中心化，一個系統(tǒng)不可能完全掌握學(xué)習(xí)者的足夠資料，這些發(fā)生在多元應(yīng)用里的學(xué)習(xí)經(jīng)驗，需要像 Experience API（xAPI） 接取多重資料流，實時匯整，才能解決信息孤島(Data Silos) 問題。

另一個"足夠"的層面是行為數(shù)據(jù)采集的維度，例如：做練習(xí)題，只有記錄答對或答錯，機器學(xué)習(xí)可以推測的范圍極為有限（巧婦難為無米之炊）；但是如果記錄了答題花費的時間、嘗試次數(shù)，那么機器可以知道這題對學(xué)習(xí)者是偏難或偏易，或他是不是猜對的，再據(jù)此推送適合該學(xué)生的題目（題目的難度標注或統(tǒng)計是另一個議題）；如果題目有按需給出提示，則做題者是否使用提示，揭露了不同意義；還有，如果知道答題前發(fā)生的相關(guān)學(xué)習(xí)行為，則給機器提供了更好的建議根據(jù)；如果機器模型累積了過去大量成功學(xué)習(xí)者的路徑，與當事者的過去記錄進行對比，則可以形成絕佳建議根據(jù)；最后，如果有記錄答題是在課堂上，與同學(xué)合作，在搭公車時，或在家時間發(fā)生，這些維度的數(shù)據(jù)都可以被用到。

xAPI 正是這樣的工具，讓我們采集豐富維度的行為資料，依據(jù)分析需求來設(shè)計數(shù)據(jù)結(jié)構(gòu)。只要是數(shù)字系統(tǒng)，都可埋入 xAPI 進行行為數(shù)據(jù)采集，并不限于學(xué)習(xí)應(yīng)用。

xAPI 的創(chuàng)新之處在于建立了獨立于應(yīng)用之外的數(shù)據(jù)層，用統(tǒng)一語言打通應(yīng)用之間的信息壁壘。這個標準數(shù)據(jù)層不但人可讀懂，機器也可讀懂，所以機器能夠自行推理。xAPI基于語義網(wǎng)技術(shù)(Semantic Web Technology，也稱Web 3.0) – 這是萬維網(wǎng)之父 Tim Berners-Lee 為將來萬物互聯(lián)環(huán)境智能化的愿景所主張之關(guān)鍵技術(shù)，現(xiàn)在工業(yè) 4.0 也是基于這種語義技術(shù)。 未來，機器可以從群眾與內(nèi)容的互動歷程(也是群眾智慧)，自動萃取語義網(wǎng)連結(jié)的內(nèi)容、學(xué)習(xí)路徑、相關(guān)的人推薦給適合的人，xAPI 以 Key-Value 型態(tài)攜帶的情境、結(jié)果、環(huán)境、時間點等數(shù)據(jù)都可放進算法中。

xAPI 結(jié)合機器學(xué)習(xí)的應(yīng)用案例

從下舉幾個使用 xAPI 進行行為數(shù)據(jù)采集，結(jié)合機器學(xué)習(xí)的案例。雖然不是直接的學(xué)習(xí)案例，但原理完全可以用在學(xué)習(xí)訓(xùn)練上。

改進網(wǎng)頁布局與行銷體驗

網(wǎng)站為提升轉(zhuǎn)化率，研究使用情境受到重視，一般透過運維管理(DevOps)改進網(wǎng)站使用體驗。但是，網(wǎng)站瀏覽者使用情境多元，增添變數(shù)，為不同裝置而設(shè)計的單頁式與響應(yīng)式設(shè)計，增加了分析情境的復(fù)雜度。原來透過 Google Analytics 分析使用者體驗，但無法有效分析。

借助 xAPI 跨裝置的特性搜集行為，能夠掌握使用者的隱性及顯性行為，憑借自適化的語意網(wǎng)頁架構(gòu)，讓內(nèi)容與布局分開儲存，后臺分析結(jié)果進行自動化調(diào)整(網(wǎng)頁長度、設(shè)計、文案)，最短時間呈現(xiàn)吸引訪客的內(nèi)容。結(jié)果 bounce rate 與 exit rate 明顯下降了約40%，新頁面推播點擊率由 8% 提升至34%，來電成交率由 33% 提升至 53% 。(臺灣大學(xué) iCAN Lab 提供)

以 xAPI 采集行為結(jié)合機器學(xué)習(xí)技術(shù)提升網(wǎng)上行銷轉(zhuǎn)化率（來自iCAN Lab）

建立有情境感知能力的健康護理移動應(yīng)用

脊椎損傷病患使用移動應(yīng)用輔助復(fù)健運動與日常護理，但為減少這些病人操作應(yīng)用的次數(shù)，建立能感知情境的智能引擎，持續(xù)收集病人的歷程資料以及相關(guān)情境資料（時間、地點、裝置...），并結(jié)合護理師所設(shè)計的處方，適時推薦適合病人當下的活動或提醒，更好地協(xié)助病患。

根據(jù)分析模型對資料進行結(jié)構(gòu)化，xAPI 可以收集任何數(shù)字資料，包括生理數(shù)據(jù)，與傳感器數(shù)據(jù)，越多資料則推薦引擎智能越高。xAPI 的跨裝置特性，提升結(jié)構(gòu)化資料匯流的效率。這個推薦介面降低病人需要手動操作應(yīng)用的次數(shù)，實時自動推薦最適的活動給病人。(臺灣大學(xué) iCAN Lab 提供)

信息孤島（Data Silos）是人工智能發(fā)揮的最大阻礙

數(shù)據(jù)（Data）是現(xiàn)代的石油，所謂數(shù)據(jù)寡頭就是那些擁有大量數(shù)據(jù)而掌握知識經(jīng)濟的力量。在教育或培訓(xùn)領(lǐng)域，信息孤島（Data Silos）才是人工智能發(fā)揮其力量的最大阻礙。你在其它領(lǐng)域看到的人工智能應(yīng)用，尚未實踐在學(xué)習(xí)上，或使用成效不彰，是因為沒有足夠的數(shù)據(jù)。單一功能的人工智能，例如，廣泛應(yīng)用在客服與行銷的聊天機器人，載入學(xué)科知識，當然可以用在教育上，但僅止于知識問答（例：喬治亞理工學(xué)院利用IBM Watson 建立虛擬助教，回答事先建立好的Q&A）；單一學(xué)科的自適應(yīng)學(xué)習(xí)，尤以數(shù)學(xué)最成熟，但仍需控制學(xué)習(xí)完全發(fā)生在該應(yīng)用內(nèi)才有意義。

真正了解學(xué)習(xí)者的智能助理，那是完全另一個層次！學(xué)習(xí)場景多元化的今天，個人學(xué)習(xí)過程分散，機器要掌握足夠數(shù)據(jù)才能建立智慧（較佳模型與推薦），整合打通多維度的行為數(shù)據(jù)，才可能建立無縫的智能化學(xué)習(xí)環(huán)境。沒有數(shù)據(jù)策略，你還離人工智能很遙遠?，F(xiàn)在就從可行的范圍做起。

注：xAPI 是美國國防部為實現(xiàn)分散式學(xué)習(xí)環(huán)境中個人智能助理的關(guān)鍵技術(shù)，欲進一步了解，可參考：http://xapi-cop.net/ 。

作者介紹：

Jessie Chuang，美國教育科技顧問公司 Classroom Aid Inc. 的聯(lián)合創(chuàng)辦人，xAPI 中文實踐社群主持人，Visca Analytics 指導(dǎo)顧問 (WeChat: JessieChuang87)。