Dum hakatono en 2017, mi prezentis CoursetomiZed, projekton pri adapta lernado. La celo: rapide trairi la nociojn, kiujn la lernanto jam regas, kaj dediĉi tempon al la klarigo de la ceteraj. La projekto gajnis la unuan premion de la Pedagogical Innovation Challenge de EDHEC.
Restis prepari la kursojn. Fakulo devis verki plurajn versiojn de la klarigoj por malsamaj lernantaj profiloj, poste organizi la konceptojn kaj iliajn antaŭkondiĉojn. Ĉiu variaĵo devis esti preparita anticipe. Tiu laborŝarĝo estis tro granda kaj kaŭzis la fiaskon de la projekto.
Per Learn Your Way, prezentita en septembro 2025, Google uzas lernolibron por generi klarigojn adaptitajn al la nivelo kaj interesoj de la lernanto. Ne plu necesas mane verki ĉiun variaĵon.
La ideo de CoursetomiZed eble ne estis malbona, sed ĝi venis tro frue. Mi cetere pripensas revivigi ĝin por helpi min ĉe mia reveno al universitataj studojĈi tiu artikolo ankoraŭ ne estas publikigita.Kial mi rekomencas studi?Ĉi tiu artikolo ankoraŭ ne estas publikigita..
Kiom da aliaj ideoj ni metis en tirkeston, neniam pensante denove elpreni ilin?
Niaj hipotezoj havas vivdaŭron
En sia prelego ĉe Rails World 2024, David Heinemeier Hansson parolas pri « cache invalidation of mental models »: malvalidigo de la kaŝmemoro de niaj mensaj modeloj.
Fablo rakontas, ke simioj estas punataj kiam ili grimpas por preni bananojn. Ili instruas al la aliaj ne grimpi. La puno ĉesas, sed la malpermeso restas. Post pluraj generacioj, la simioj ankoraŭ ne grimpas por preni tiujn malbenitajn bananojn!
La ekzemplo de DHH memorigas min pri tio. Programistoj adoptas ilojn por kompensi la limigojn de retumiloj. Eĉ kiam la retumilo povas funkcii sen ili, ni plu uzas tiujn ilojn. Kaj jen ni perdas horojn pro webpack-agordo, pridubante ĉiujn niajn vivelektojn.
Nova AI-modelo aperas ĉiujn 28 sekundojn. Ĉu niaj kutimoj sukcesas sekvi?
« Ni jam provis »
Ni rezignas pri AI-funkcio ĉar la modelo tro ofte eraras, respondas tro malrapide aŭ kostas tro multe. Kelkajn monatojn poste, nova modelo eble taŭgus. Sed necesas reprovi.
« Ni jam provis, tio ne funkcias. » Bone. Sed kiam? Kaj per kio?
La modelo malsukcesas ĉe tasko: ni dividas ĝin en pli malgrandajn taskojn. La sistemo fariĝas pli komplika, sed pli fidinda. Nova modelo eble povus plenumi la tutan taskon same fidinde kaj pli malmultekoste. Pli simple, pli malmultekoste. Nur avantaĝoj. Sed necesas memori simpligi. Boris Cherny iras plu en tiu rezonado: ĉe Anthropic, li klarigas, ke ili konstruas por la modeloj atendataj post ses monatoj. Kial pasigi ses monatojn por ĉirkaŭiri limigon, kiu eble jam malaperos ĝis la lanĉo?
Kio ne funkciis hieraŭ, eble funkcias hodiaŭ. Kaj kio estis necesa hieraŭ, eble ne plu estas.
Hipotezo valida hodiaŭ povas esti malvalida post ses monatoj. Kion do diri pri hipotezoj de antaŭ kvindek jaroj?!
Ni revivigu kelkajn el niaj ideoj
Ni metis jardekojn da ideoj en la rubujon 🗑️. Kelkaj havis bonajn kialojn por fini tie. Antaŭ ol klaki « Malplenigi la rubujon », ni rigardu ĉu kelkaj meritas eliri.
Mi ŝatus relegi la historion de AI laŭ tiu vidpunkto. Kion ni forlasis pro manko de datumoj, komputforto aŭ homa tempo? Kaj kio ankoraŭ malhelpas nin hodiaŭ?
Ni prenu ekspertajn sistemojn: ili aplikas regulojn por eltiri konkludojn. CoursetomiZed tiel funkciis por taksi la sciojn de la lernanto. Tiuj reguloj multe kostas por verki kaj prizorgi. Ĉu granda lingvomodelo povus aŭtomatigi tiun laboron? Mi revenos al tio en aparta artikoloĈi tiu artikolo ankoraŭ ne estas publikigita.Ekspertaj sistemojĈi tiu artikolo ankoraŭ ne estas publikigita..
Konkludo
En 2017, CoursetomiZed postulis tro multe da preparado. Ĉu AI povas solvi tiun problemon kaj igi CoursetomiZed realigebla?
« Mi jam provis, kaj tio ne funkciis. » Jes, en 2017. Nun estas 2026: mi ja povas remalfermi la dosieron.
Kiun el viaj projektoj vi reekzamenus hodiaŭ?