인공지능은 우리 삶의 많은 영역에서 이미 들어와 있다. 컴퓨터 게임에, T맵과 같은 네비게이션에 그리고 바로풀기와 같은 학습도구에도 이미 사용되고 있다.

 

이러닝에서의 인공지능은 효과적인 온라인 학습을 위한 환경을 분석하고, 교수자와 학습자가 현명한 선택을 할 수 있도록 지능적인 소프트웨어를 디자인 하고 있다.

 

다가올 미래의 이러닝 시스템에서 인공지능은 어떤 역할로 확장 될까?

분석과 데이터

체스 마스터와의 승리를 위한 인공지능 프로그램은 어떻게 구성되어 있고 어떤 것이 중요한 핵심 기술일까? 인공지능은 데이터에 기반한 분석과 이를 기반으로 의사결정을 정확하고 빠르게 할 수 있음을 알 수 있다.

 

인공지능은 이미 의학과 운송 사업영역에 큰 영향을 미치고 있고, 교육 영역에서도 중요한 역할을 하고 있다.

 

Rombio와 같은 귀여운 작은 로봇은 이미 와이파이 기술을 활용해서 인터넷을 탐색하고 여러분의 아이들을 가르치고 있다.

 

63EE84A6-AC8B-457B-9F3A-B0B0ED7C4B39-768x442

 

이들 기술은 성인 교육에서도 활용될 수 있다. 전통적인 방식의 대학에서는 빠르게 로봇이 교수자 역할을 대체하지는 않을 것이다. 그러나 미네르바 대학이나 알트스쿨과 같은 사이버 공간을 기반으로 한 온라인 스쿨링은 지금 인공지능 기술오 급물쌀을 타고 있다.

교수용 소프트웨어는 적응적이다.

적응적 학습은 미리 구성된 테스트를 통해 평가하는 온라인 학습경험-진단처방이라고 하는 학습서비스의 일부였다. 적응적 학습은 사용자의 반응을 기반으로 서로 다른 경로를 적절하게 제공하는 프로그램이지만, 진짜 인공지능 소프트웨어는 그 이상의 것을 할수 있을 것이라고 기대하고 있다.

과거, 풀지 못한 문제해결에 집중된 수학과 같은 로직에는 적응적 학습 형태의 소프트웨어가 더 적합했다.  당시에는 정확한 답이 그 과정보다 여전히 더 중요 했으며, 이런 적응적 수업 방식을 통해 그 관계와 추상적인 개념 그리고 현실 세계에서 활용 하는 방법을 찾아야 했다.

인공지능은 학습자의 역량 향상에 필요한 핵심영역을 강조한다.

인공지능 소프트웨어는 학습자가 부족하고 콘텐츠에 집중해야하는 영역을 식별할수 있다. 진화된 인공지능 소프트웨어는 개별 학습 및 평가 자원을 활용해서 새로운 문제들을 생성할 수도 있고, 더 나은 교육 자원을 제공하거나, 정오답 형태의 평가가 아니라 과정에 대한 분석을 통해 과거와는 전혀 다른 방식의 통합적인 평가를 제공할 수 있다.

 

인공지능은 단순히 학습이 아닌 학습에 몰입하는 경험을 제공할 수 있다. 인공지능에서 머신러닝은 단순히 퀴즈에 통과하는 것이 아닌, 의미 있는 학습에 적합하도록 맞춰진다.  인공지능 시스템은 개별 학습자의 니즈를 식별할 수 있고, 명백한 사실보다는 방법과 이유에 집중된 모델을 제시한다.

 

알파고는 체스보다는 좀더 복합적인 고전적 전략보드게임인 Go또는 Flip게임을 하기 위해 런던의 구글 딥마인드가 개발한 인공지능 소프트웨어다.  알파고는 프로선수를 이긴 첫번째 Go프로그램이 되었다.

 

구글 알파고는 두가지 유형 이상의 인공지능 기술을 활용했다.

 

심층 신경네트워크(Deep neural networks), 승자가 예측할때 가치가 있는 최선의 이동방법 선택할 수 있는 12계층의 연결된 정책 네트워크를 이야기 한다. 인공신경망은 인간의 뇌가 패턴을 인식하는 방식을 모사한 알고리즘인데, 심층 신경망과 일반 신경망의 핵심적인 차이는 층의 개수다. 전통적인 기계학습 알고리즘은 하나의 입출력층으로 이루어져 있으며 많아야 중간에 하나의 은닉층으로 구성되어 있다. 이런 구조의 신경망을 얕다고 표현한다. 입출력층을 포함해서 3개가 넘는 층을 우리는 신경망이 깊다고 표현한다. 심층 신경망에서 각 노드는 각자 다른 특징을 추출하며 잘 설계/학습된 인공 신경망은 여러가지 복잡한 특징을 추출할 수 있다.

 

몬테카를로 트리탐색(The Monte Carlo tree search), 의사결정을 위한 체험적 탐색 알고리즘으로 게임을 할때 주로 적용된다.  몬테카를로 트리 탐색은 어떻게 움직이는 것이 가장 유망한 것인가를 분석하면서 검색공간에 무작위 추출에 기초한 탐색트리를 확장하는데 중점을 둔다.

 

다운로드

 

이러한 예측논리와 분석은 KnowRe, 산타토익, Knewton, Duolingo와 같이 학습자가 개념을 이해하거나 문제 해결을 극대화 할 수 있는 목표를 가진 게임에 적용되어질 수 있다.

 

인지부하 이론(Cognitive load theory)은 학습 경험에서 정신적인 노력에 대한 생각이다. 이는 학습이나 과제 해결과정에서의 인지적 요구량을 말한다. 어떤 정보가 학습되기 위해서는 작동 기억안에서 정보가 처리되어야 하는데 작동기억이 처리해낼 수 있는 정보의 양보다 처리해야할 정보가 많으면 인지부하가 생기게 된다. 이것은 정량화하기 어려운 반면, 이미 정량화 되어있고 교육학 연구에서 수용가능하도록 구조화된 템플릿과 이슈에서는 인공지능 디자인을 할 수 있다. 인공지능에서 학습방법론은 정보를 제공하거나 퀴즈를 생성하는데 국한되지 않는다.

 

교육에서의 온라인 서비스의 이점은 어떤 텍스트북 이상의 방법을 제공한다는 것이다.

이러닝에서의 인공지능 : 미래

인터넷 상의 모든 정보 접근과 빅데이터 분석은 단순히 새로운 교육 과정계획을 적정하게 제공하는 것 이상의 빠르고 복잡한 절차를 거친다. 인공지능이 접목된 이러닝환경에서 교육자는 간단하게 데이터베이스에 결과를 제공하고 인공지능의 유효성과 의미없음을 식별하기 위한 이론 및 알고리즘을 개발하고 있는 위치있다는 것을 발견할 것이다.
말도 안되는 이야기라고 반박할 수도 있겠지만, 인공지능 기반의 이러닝 학습환경 하에서, 최고의 교수자는 최고의 소프트웨어 엔지니어가 되는 것이다.(인공지능 기술 사이드에서의 주장이므로 너무 타박하지 마시라!)
교육의 이해와 인공지능의 실제적인 적용기술, 그리고 교실 수업내에서 적용을 통한 개선을 융합적으로 수행할 수 있는 교사가 필요한 시점이다. 따라서 인공지능에 대한 소개는 미래의 교육자를 위해서 듣기 싫어도 할 수밖에 없다.

인공지능의 이점은 평가와 학습 그리고 역동적인 교수학습 전략을 도입하는 역량에서 비롯된다. 인공지능은  스네이크 큐브 퍼즐, 24 또는 64큐브 체인이 연결된 기계식 게임의 문제를 해결하는데 있어서 분석하고 적절하게 방법을 제시할 수 있다. 대부분의 인간이 좌절하는 문제를 인공지능은 해결할 수 있다.

 

반면 현재의 교육기술에 대한 평가는 인간 튜터에 의한 1:1 지도가 클래스룸 또는 온라인 수업보다 더 나은 이해수준을 제공한다고 한다. 그러나 그것은  모든 학생들에게 항상 1:1튜터링이 가능하지는 않다.  그리고 이러닝에서의 인공지능은 아직 기본적으로 걸음마 단계이다.  인공지능의 미래는 이러닝을 가능하게 하는 모든 요소들을 최대한 활용할 수 있는 잠재력을 지니고 있다.

 

이러닝의 최대 이점 중 하나는 자기주도적 학습을 할 수 있도록 하고 간편한 검색을 통해 새로운 자원을 탐색하는데 있다. 인공지능 튜터를 통한 이러닝은 학습자가 자유롭게 심화 토픽을 탐색하고 그들의 지식을 단순히 정오답의 답변이 아닌 복잡한 시나리오에 의해서 평가 할 수 있음을 의미한다.

 

어떤 비평가들은 컴퓨터는 여전히 상호간 덜 연결되어 있고, 일방향적이고, 상대적인 관계가 아니라고 주장하지만, 인간의 이미지와 음성을 재현할 수 있는 컴퓨터의 능력은 여전히 아이들이 선호하는 놀이다.(최근에는 시리를 켜두고 이야기하는 웃픈 트랜드도 있다^^ )

 

인공지능 교수자는 더 헌신적이고, 더 지식이 풍부하며 인간 교수자보다 더 많이 오류를 발생하지 않는다.

 

인공지능을 활용한 이러닝 시스템의 미래는 데이터를 가치있게 들여다 보는데서 부터 시작된다.끝.