Iedereen werkt op zijn eigen niveau
Naast de vaste les- en oefenstof die voor elke leerling hetzelfde is, biedt Snappet ook adaptieve oefenstof aan. Deze adaptieve oefenstof past zich aan aan het niveau van het kind. Het niveau wordt door Snappet bepaald aan de hand van eerder gemaakte opgaven. Dit werkt heel motiverend: kinderen die de lesstof beheersen krijgen moeilijkere vragen. En kinderen die de lesstof lastig vinden, krijgen juist wat makkelijkere vragen. Zo kan ieder kind groeien op zijn of haar eigen niveau en tempo. Bovendien laat Snappet aan het kind en aan de leerkracht zien welke lesstof hij of zij nog niet genoeg onder de knie heeft. Zo kan ieder kind dus werken aan zijn of haar eigen leerdoelen.
Machine learning
Snappet gebruikt hier zogeheten Machine Learning modellen voor. Machine learning modellen zijn vergelijkbaar met hoe mensen leren. Net zoals een kind leert door observatie en ervaring, leert een machine learning model door het analyseren van data. Mensen geven het model niet expliciet instructies over elke beslissing; in plaats daarvan leert het model patronen en relaties in de data te herkennen.
Rol van data: De kwaliteit en diversiteit van de data zijn cruciaal. Hoe meer en gevarieerder de data waarmee het model wordt getraind, hoe beter het model patronen kan herkennen en voorspellingen kan doen. Net als een leerling die continu studeert en nieuwe informatie absorbeert, wordt het model beter naarmate het meer relevante data verwerkt.
Binnen Snappet bestaat de relevante data uit de antwoorden die leerlingen geven: als onderwijsinstellingen daar toestemming voor geven, mag Snappet deze antwoorden gebruiken om de machine learning modellen te trainen. Als resultaat bewaart Snappet dan alleen statistieken en anonieme data (de link met antwoorden en leerlingen bestaat dan niet meer), waarmee de werking en adaptiviteit van Snappet verbeterd wordt voor alle andere onderwijsinstellingen die Snappet ook gebruiken.
Automatische werking
Zodra het trainingsproces begint, werkt het model zelfstandig. Snappet medewerkers stellen het model en de leerparameters in, maar het daadwerkelijke 'leer'-proces gebeurt automatisch als het model de data ontvangt.
Beperkingen door Ontwerp: Hoewel het leerproces automatisch is, zijn de prestaties en gedrag van het model nog steeds beperkt door hoe het is opgezet door de menselijke ontwikkelaars van Snappet. Dit betekent dat het model alleen kan leren binnen de context van de gegeven data en de gedefinieerde taken.
Kwaliteit
Het bewaken van de kwaliteit en effectiviteit van een machine learning (ML) model is een essentieel onderdeel van het ontwikkelingsproces. Dit gebeurt via een aantal stappen:
- Validatie en Testen: Na het trainen van het model wordt het getest met een nieuwe set data, die niet is gebruikt tijdens de training. Dit helpt bij het beoordelen van de prestaties van het model in 'real-world' scenario's. De focus ligt hier op belangrijke prestatie-indicatoren zoals nauwkeurigheid en precisie.
- Kruisvalidatie: Bij kruisvalidatie wordt de dataset opgedeeld in meerdere kleinere sets. Het model wordt meerdere keren getraind en gevalideerd op deze verschillende sets, wat helpt bij het identificeren van eventuele ‘overfitting’ (te specifiek leren van de trainingsdata waardoor het model niet goed generaliseert op nieuwe data).
- Continue Monitoring: Zodra het model in gebruik is, wordt het continu gemonitord om de prestaties te evalueren. Dit omvat het controleren op verschuivingen in inputdata (‘data drift’) of veranderingen in de prestaties van het model over tijd.
- Feedback Loops: Het gebruik van feedback loops stelt ontwikkelaars in staat om te leren van de fouten van het model en deze informatie te gebruiken om het model te verbeteren. Dit is vooral belangrijk in dynamische omgevingen waar data en omstandigheden voortdurend veranderen.
- Transparantie en Uitlegbaarheid: Voor veel toepassingen is het belangrijk dat het model niet alleen nauwkeurig is, maar ook uitlegbaar en transparant. Technieken zoals ‘feature importance’ en model interpretatie tools worden gebruikt om de beslissingen van het model te begrijpen en te rechtvaardigen.
- Ethiek en Bias Controle: Het is ook cruciaal om te zorgen dat het model geen vooroordelen of bias vertoont, wat kan leiden tot oneerlijke of onethische uitkomsten. Dit wordt aangepakt door zorgvuldige controle van de data en het model op mogelijke bias.
Door deze methoden te implementeren, kan Snappet de kwaliteit en effectiviteit van een Machine Learning model continu bewaken en verbeteren, wat cruciaal is voor een betrouwbare en ethische inzet van AI binnen Snappet.