KI-Systeme

Projekt News

11.Juni 2024 – Projektergebnisse Studierenden der Hochschule Ruhr West präsentiert


Eine Gruppe von Studierenden der Hochschule Ruhr West war im Rahmen ihrer Projektwoche auf Exkursion in Berlin, um unter anderem in der retail garage die neuesten Technologien unter KI-Beteiligung kennenzulernen und sich darüber austauschen.  Die Geschäftsführerin der Zentralstelle für Berufsbildung im Handel e.V. (zbb), Bettina Wilhelm, betonte in Ihrem Impuls-Vortrag die Wichtigkeit der Weiterbildung und Qualifizierung des Personals im Handel und stellte die möglichen Nutzungsszenarien der im Projekt Ele-com entwickelten KI-Assistenzsysteme für die ILIAS Lernplattform vor. Im Anschluss an den Vortrag fand ein reger Austausch zu weiteren Einsatzgebieten der entwickelten KI-Systeme statt. Die heutigen Studierenden – angehende Führungskräfte – zeigten bereits ein großes Interesse am Thema Personalentwicklung mithilfe neuer Technologien.

Die Geschäftsführerin der zbb präsentiert das Projekt Ele-com

Projekt News

Entdecken Sie ELe-com bei INVITE ToolCheck 2.0

Wir freuen uns, Ihnen mitteilen zu können, dass ELe-com, eines der 34 Gewinnerprojekte des INVITE-Wettbewerbs, seinen Prototyp im Rahmen des ToolCheck 2.0 präsentieren wird (voraussichtlich im März 2024).

Besuchen Sie bereits unsere Projektseite https://www.invite-toolcheck.de/html/de/ELe-com.php und verpassen Sie nicht die Gelegenheit, unsere KI-Assistenten LENA und EMIL persönlich kennenzulernen. Wir halten Sie auf dem Laufenden und informieren Sie rechtzeitig über den offiziellen Start.

In der ersten Phase des INVITE-ToolChecks im Dezember 2022 wurden bereits über 1.000 Prototypentestungen registriert. Ziel der öffentlichen Prototypentestungen ist es, den aktuellen Forschungs- und Entwicklungsstand des KI-Einsatzes im Alltag der beruflichen Weiterbildung erlebbar zu machen.

Neben den vielfältigen Branchen beim INVITE-ToolCheck vertritt ELe-com den Handel mit dem Fokus auf E-Commerce. Unser Lernangebot bietet Antworten auf die wichtigsten Fragen rund um den Onlinehandel. Egal, ob Sie bereits Waren und Dienstleistungen online anbieten oder dies planen, unsere KI-Assistenzsysteme führen Sie zu den gesuchten Antworten auf unserer Lernplattform.

Erfahren Sie mehr über den INVITE-ToolCheck und über das Projekt ELe-com unter https://www.invite-toolcheck.de/html/de/ELe-com.php.

Projekt News

Woher weiß die KI, was die Lernenden machen (xAPI)

Schematische Darstellung von Schnittstellen der Datenübertragung mithilfe von xAPI

Im Projekt ELe-Com haben wir es uns zur Aufgabe gemacht, ein System mit mehreren Lernmöglichkeiten zu entwickeln, das das Lernen für die Nutzer:innen mit unterschiedlichen Lernbedürfnissen und Präferenzen attraktiver und leichter macht. Das entwickelte Lernangebot wird in Form von Micro-Lerneinheiten über die Lernplattform ILIAS zur Verfügung gestellt. Die Nutzer:innen können sich freiwillig entscheiden, ob sie von unseren Assistenzsystemen komplett, teilweise oder gar nicht geführt werden. Außerdem besteht die Möglichkeit, aus drei Lernformaten auszuwählen – Lesen, Hören oder Sehen. Die Nutzer:innen, die unseren Lernnavigator LENA nutzen möchten, geben zu Beginn ihre Lernpräferenzen über eine kurze Abfrage an und legen mit dem Lernen los. Ab diesem Zeitpunkt kommt das intelligente KI-basierte Empfehlungssystem – EMIL zur Unterstützung. EMIL sammelt und wertet die Daten zu Lernaktivitäten aus, um den Lernenden Empfehlungen auszusprechen, damit sie schneller und effektiver zum Lernziel kommen. Im Weiteren möchten wir Ihnen kurz darstellen, welche Anforderung wir bezüglich der Datenerfassung hatten und welche Lösung dafür eingesetzt wird.

Die Anforderung: Daten

ILIAS ist hinsichtlich der Erfassung von Lernaktivitäten beschränkt. ILIAS weiß grundsätzlich, ob ein Objekt noch offen, in Bearbeitung oder abgeschlossen ist. Oder ob eine Datei angeklickt wurde oder bis zu welcher Stelle in einer Lernsequenz Lernende die Inhalte bearbeitet haben. ILIAS kann außerdem Lernfortschritte aus SCORM-Dateien erfassen.
Das KI-basierte Entscheidungsmodul EMIL benötigt jedoch mehr Daten, um gute Empfehlungen für adaptives Lernen auszusprechen. Mehr als ILIAS im Standard zur Verfügung stellt.
Für gute Empfehlungen ist es z.B. gut zu wissen, mit welchen Lernmedien gelernt wurde. Ob bspw. ein Video angeklickt wurde. Ob es zu Ende geschaut wurde oder an welcher Stelle es abgebrochen wurde. Daraus ließe sich ableiten, ob eine angegebene Präferenz tatsächlich beibehalten wird.
Ober auch, welche Antworten in einem Quiz gegeben wurden. Wieviel falsche, wieviel richtige und bei wieviel Durchläufen? Daraus könnte die KI das bisherige Wissen und den aktuellen thematischen Bedarf besser ableiten.

Die Lösung: xAPI

Damit EMIL ausreichend Daten für präzise Empfehlungen bekommt, setzen wir im Projekt xAPI ein.
xAPI ist ein Datenmodell, das im Prinzip jeder aus den Statusmeldungen von Sozialen Netzwerken kennt: Ein Mensch | hat angeschaut | ein Video. Jemand | hat ein Like hinterlassen | zu einem bestimmten Bild. Subjekt, Prädikat und Objekt.

Dieses grundsätzliche Datenmodell lässt sich um weitere Informationen ergänzen: Actor (wer hat gehandelt) > Verb (was wurde getan) > Object (wo fand die Handlung statt) > Result (mit welchem Ergebnis) > Context (erweiterte Informationen) > Timestamp (wann wurde am Objekt gearbeitet).

Die Sache ist nur: ILIAS 7 kann kein xAPI.

Die Umsetzung: Plugin für ILIAS

Um diese Lücke zu schließen, kooperierten wir mit einem weiteren INVITE Projekt „VerDatAs“ (https://www.verdatas.de/) und setzen das Plugin „Events2Lrs“ ein, das vom Projektpartner internet-lehrer gmbh (https://internetlehrer-gmbh.de) entwickelt wurde.

  • Das Plugin definiert, zu welchem Learning Record Store (LRS) die xAPI-Daten gesendet werden. Der Learning Record Store spielt eine wichtige Rolle, da hier alle erhobenen xAPI-Statements gesammelt werden, und an die KI zur Verarbeitung weitergeleitet werden können.
  • Das Plugin erlaubt mit je einem Klick zu definieren, welche Verben aus den H5P-Elementen, aus denen die Micro Lerneinheiten bestehen, an den LRS weitergeleitet werden – z.B. attempted, interacted oder completed.
  • Außerdem integriert das Plugin ILIAS-Events, die als xAPI-Statements an den LRS weitergeleitet werden – was ILIAS im Standard nicht kann. Das betrifft Lernfortschritte von ILIAS-Objekten und die Anzahl der Objekt-Aufrufe allgemein, und Events rund um ILIAS-Tests im Besonderen.

Damit bekommen wir erstmals ein feingranuliertes Bild davon, was in ILIAS und den H5P-Elementen passiert. Und so funktioniert das Plugin im Zusammenspiel mit den anderen Systemelementen:

  • Ein Lernobjekt in ILIAS, das H5P-Elemente beinhaltet, wird von einem angemeldeten Benutzer mit dessen Profildaten und Präferenzen aufgerufen.
  • Die Aktivität erzeugt xAPI-Statements. Diese Statements werden vom Plugin erfasst, und im nächsten Schritt an den LRS weitergeleitet – zusammen mit den Angaben über den jeweiligen Lernenden und dessen Präferenzen (xAPI-Datenmodell: „Context“).
  • Der Learning Record Store informiert ILIAS über die erfassten Lernstände.

Diese erfassten xAPI-Statements werden vom LRS während dieser Vorgänge parallel an das Entscheidungsmodul EMIL zur Verarbeitung weitergeleitet. Was genau dort passiert, war z. B. Gegenstand des vorherigen News Artikels zum Thema „Was macht eigentlich EMIL? – Status Quo des Entscheidungsmoduls“.

Projekt News

Was macht eigentlich EMIL? – Status Quo des Entscheidungsmoduls

Illustration Künstliche IntelligenzIn den letzten Monaten haben wir uns intensiv mit der Entwicklung unseres KI-basierten Entscheidungsmoduls EMIL beschäftigt. Die Entwicklung basiert auf dem neuesten Stand der Technik von Fully Connected Neural Networks, zu Deutsch etwa „vollständig verbundene neuronale Netzwerke“. Ziel des zu entwickelnden KI-Modells ist es, Empfehlungen zu individuellen Lernpfaden und Lernangeboten auf der Grundlage der Bedürfnisse von Nutzer:innen zu geben.

Zu diesem Zweck wurden verschiedene Empfehlungssysteme systematisch untersucht, um ihre Eignung für das Projekt zu ermitteln. Das Hauptaugenmerk lag dabei auf den zu erwartenden Daten, die entweder direkt aus dem Lernmanagementsystem (LMS) Illias oder indirekt über eingebettete Plug-ins wie H5P bezogen werden. Die so erhaltenen Daten werden in einem Learning Record Stores (LRS) gespeichert. Die damit erstellten Nutzerprofile liefern der KI weitere Test- und Trainingsdaten. Nach dem Vergleich von elf Empfehlungssystemen wurde ein hybrides Modell entwickelt, das aus einem kollaborativen, einem wissensbasierten und einem inhaltsbasierten Empfehlungssystem besteht.

Die Umsetzung des Empfehlungssystems erfolgt über die Nutzung neuronaler Netze, in denen alle Neuronen miteinander verbunden sind. Als Input dienen dabei sämtliche Interaktionsdaten der Nutzer:innen mit den Micro Learning Einheiten (MLEs) im LMS. Der Output des Netzwerkes besteht aus einer Vorhersage der Interaktionswahrscheinlichkeiten der Nutzer:innen mit anderen MLEs im LMS. Dieses Verhalten beschreibt die Bedürfnisse der Nutzenden mit den Lerninhalten, ähnlich den Empfehlungen von YouTube oder der „Two-Tower”-Strategie von Google.

Bekannte Probleme von KIs, wie das Problem der Datenknappheit und das Cold-Start Problem, werden im Rahmen des Projekts bearbeitet und durch die Untersuchung verschiedener Strategien gelöst:

  1. Das Problem der Datenknappheit ergibt sich aus einer zu geringen Anzahl von Trainingsdaten. Um dies zu umgehen, werden zwei Strategien erprobt:
    • Online-Batch Training: Das neuronale Netz wird während des Betriebs trainiert und evaluiert.
    • GAN (Generative Adversarial Network): Das neuronale Netz wird vor der Ausführung des Modells mit künstlich generierten Daten ergänzt und trainiert, um so die Genauigkeit der Gewichte einzelner Neuronen zu verbessern. Die künstlichen Daten basieren dabei auf wenigen, realen Daten von Nutzer:innen.
  2. Das Cold-Start Problem besteht darin, dass das System keine Aussagen über Nutzer:innen treffen kann, über die es noch nicht genügend Informationen gesammelt hat. Um dies zu umgehen, liefern Daten einer Initiativumfrage dem Modell erste Informationen über die/den Nutzenden, bevor das System die Vorhersagen trifft.