Personalisierte Lernerfahrung durch Machine Learning, KI und intelligente Chatbots

In meinem vorherigen Blog-Beitrag über personalisiertes Lernen gab es einen Fall, in dem es darum ging, wie Technologie dazu beitragen kann, Lernen in einem organisatorischen Kontext effektiver zu gestalten. Kurz zusammengefasst habe ich über die Digitalisierung der Lern- und Erfahrungswerte eines Mitarbeiters gesprochen, die es ermöglicht, diese mit Hilfe von Maschinen und Rechenalgorithmen zu verarbeiten und zu analysieren.

In diesem neuen Beitrag möchte ich den nächsten Schritt gehen und zeigen, wie wir die Personalisierung des Lernens innerhalb der Valamis – Learning Experience Plattform (LXP) ermöglichen. Aber bevor ich zum Hauptpunkt komme, ist es wichtig, den Kontext zu verstehen, in dem Valamis - LXP agiert.

Valamis - LXP verwendet die Experience API (xAPI)-Methode, die früher auch als TinCan API bekannt war. Mit xAPI werden detaillierte Informationen über die Lernaktivitäten eines Mitarbeiters in Form von einfachen Aufzeichnungen gesammelt. Wenn diese Aufzeichnungen analysiert werden, zeigen sie nicht nur die Endergebnisse des Lernens, z.B. das Erreichen eines Zertifikats oder die Teilnahme an der Schulung, sondern auch den Prozess, in dem der Lernende zum Endergebnis gelangt ist. So erhalten Sie beispielsweise detaillierte Informationen darüber, welche Fragen richtig und falsch beantwortet wurden, an welcher Stelle die Mitarbeiter mehr Zeit verbracht haben oder ob sie den Videoinhalt vor- oder zurückgespult haben.

Optimieren Sie den Lernprozess für Ihre Mitarbeiter

Lerndaten, die in Form von xAPI-Statements gesammelt werden, sind für sich genommen wertvoll, und sobald diese Daten visuell in Diagrammen und Berichten dargestellt werden, könnten sie helfen, Entscheidungen zu treffen, um den Lernprozess besser anzupassen und effektiver zu gestalten. So können die Spezialisten der für Lernen und Entwicklung verantwortlichen Abteilung (Learning & Development, L&D) sehen, wo sie ihre Bemühungen einsetzen können, um den größtmöglichen Nutzen zu erzielen – welche Art von Inhalten besser funktioniert, welche Lerngruppen mehr Unterstützung benötigen, welche Materialien nicht zu den gewünschten Ergebnissen führen und wo die Quizdurchlaufraten zu niedrig sind, was zeigt, dass Material überarbeitet werden muss oder ein anderer Lernpfad verwendet werden sollte.

Daten über die Aktivitäten und Erfahrungen eines Lernenden in Form von xAPI-Statements helfen den Mitarbeitern in der L&D-Abteilung, den Lernprozess für einen einzelnen Mitarbeiter zu optimieren. Obwohl es hier einige Ineffizienzen gibt: Informationen müssen von Menschen analysiert werden, die Ergebnisse dieser Analyse werden von Menschen angewendet, aber noch gravierender ist, dass nicht berücksichtigt wird, ob die Optimierung des individuellen Lernens einen positiven Einfluss auf die Geschäftskennzahlen eines Unternehmens hat.

Bieten Sie Schulungsmöglichkeiten für alle Mitarbeiter an

In Organisationen geschieht Lernen selten ohne Grund. Es geht hierbei wahrscheinlich um einige Themen und Erfordernisse, ob klein oder groß, wie z.B. die Rolle eines Mitarbeiters, die anstehenden Aufgaben, eine zukünftige Beförderung, Veränderungen in der Organisation oder im Geschäftsmodell oder neue Technologien oder Änderungen im Umfeld eines Konkurrenten.

Das Verhalten des Mitarbeiters kann durch Lernaktivitäten verändert werden, was aus verschiedenen Quellen zu beobachten ist. Nach der Einführung eines Lernpfades über Stressbewältigung und Achtsamkeitstechniken könnten beispielsweise die krankheitsbedingten Ausfalltage der Mitarbeiter reduziert werden. In vielen Fällen werden Daten über krankheitsbedingte Fehlzeiten im HR-System eines Unternehmens gespeichert, und in Kombination mit Daten über Erfahrungen und Lernaktivitäten der Mitarbeiter kann dies ein Indikator für positive Auswirkungen darstellen – Lernaktivitäten beeinflussen das Verhalten der Mitarbeiter positiv.

Normalerweise gibt es in großen Unternehmen viele ungenutzte Systeme, die Daten über Mitarbeiter sammeln. Die Verknüpfung dieser Daten mit Lernaktivitäten kann interessante Ursache-Wirkungs-Beziehungen aufzeigen. Nicht nur HR-Systeme enthalten solche Daten, sondern auch CRMs, in denen alle kundenbezogenen Aktivitäten und Ereignisse aufgeführt werden. Dazu könnte ein Tracking-System gehören, in dem Support-Anfragen markiert, zugeordnet und gelöst werden. Auch ein Versionskontrollsystem, bei dem individuelle Änderungen an Softwarekomponenten und Konfigurationen von Entwicklern oder Systemadministratoren eingereicht werden, könnte dazu gehören. Selbst ein System, das Informationen von Sensoren oder anderen Internet-of-Things (IoT)-Geräten sammelt, kann genutzt werden.

Alle diese Beispiele oben zeigen Orte, an denen Daten über die Aktivitäten der Mitarbeiter gespeichert sein könnten. Werden diese Daten verarbeitet und ausgewertet, können sich im Laufe der Zeit auch Veränderungen im Verhalten der Mitarbeiter entwickeln. Meistens hängen diese Veränderungen mit einer Art von Lernprozess zusammen.

Die Leistungsstärke von Unternehmen ist abhängig vom Mitarbeiterverhalten

Die meisten Geschäftskennzahlen werden auf eine Art und Weise dargestellt, die relativ zum Endergebnis des Unternehmens ist, wie Umsatz, Einkommen, Aktienkurs usw., oder nicht-monetär, wie Produktionsvolumen, Kundenzufriedenheit, Mitarbeiterbindung usw.

Die Strategie eines Unternehmens verfolgt in der Regel messbare Kennzahlen und ein Endziel. Die Daten, die für diese Kennzahlen verwendet werden, sind in Finanzsystemen, HR-Systemen oder CRM-Systemen zu finden. Es besteht die Möglichkeit zu sehen, wie sich diese Zahlen im Laufe der Zeit verändern und ob sie sich mit der erforderlichen Geschwindigkeit in die gewünschte Richtung verändern. Aber was bringt diese Kennzahlen dazu, sich zu ändern? Was sind die Treiber? Es ist wohl immer das Ergebnis vieler verschiedener Menschen, die sich zusammenschließen.

Nehmen wir zum Beispiel an, dass ein Unternehmen die Notwendigkeit erkannt hat, die Kundenzufriedenheit zu verbessern. Wenn die Kundenzufriedenheit niedrig ist und das Unternehmensziel darin besteht, diese Zahl zu verbessern, gibt es eine Vielzahl von Maßnahmen, die ergriffen werden können, um das zu erreichen. Und es sind die Menschen, die Mitarbeiter des Unternehmens, die etwas tun, um diese Geschäftskennzahl zu verbessern.

Die Verbesserung einer Kennzahl kann in einem der oben genannten Systeme verfolgt werden, z.B. in einem CRM. Das Verhalten der Mitarbeiter hat sich geändert; die Maßnahmen, die sie ergriffen haben, waren anders als zuvor, und diese Änderungen führten zu einer Verbesserung der Geschäftskennzahl. Obwohl Sie den Fortschritt von Geschäftskennzahlen verfolgen können, haben Sie mit einem CRM nicht die Möglichkeit, die Daten zu erkennen, die zu den Änderungen geführt haben.

Ist es also möglich zu erkennen, was die Verhaltensänderung verursacht hat? Ist es möglich zu erkennen, was funktioniert und was nicht? Was sollte vermieden werden, um die Verschwendung wertvoller Ressourcen zu verhindern?

Lernanalytiken helfen, das Rätsel zu lösen

Antworten auf die obigen Fragen finden Sie mit Hilfe der Analytik. Daten aus verschiedenen Systemen, von denen hier nur einige Beispiele genannt wurden, können gemeinsam verarbeitet, kombiniert und analysiert werden. Dadurch können wir Erkenntnisse darüber gewinnen, welche kausalen Zusammenhänge zwischen Veränderungen in Geschäftskennzahlen, die in einem System dargestellt werden, und den Veränderungen im Verhalten der Menschen, die von einem anderen System aus beobachtet werden, bestehen.

Auch wenn es sich einfach anhört, ist es eine komplexe Aufgabe, solche Abhängigkeiten zu identifizieren. Moderne Analysewerkzeuge machen dieses Ziel jedoch mehr als erreichbar. Maschinen können eine riesige Datenmenge verarbeiten und Muster und Abhängigkeiten aufdecken.... Mittels maschinellem Lernen kann herausgefunden werden, welche Verhaltensänderungen der Mitarbeiter zu einem positiven Effekt geführt haben und welche nicht. Gleichzeitig kann durch die gemeinsame Analyse von Daten zu Lernaktivitäten und Verhaltensänderungen aufgezeigt werden, welche Lernaktivitäten einen Mehrwert bringen, z.B. was eine Veränderung des Mitarbeiterverhaltens verursacht hat und was nicht zu den gewünschten Ergebnissen geführt hat.

Dieses Bild veranschaulicht gut, was gerade vorgestellt wurde.


Source: D.A. Detrick, 2016

Wenn also Daten aus verschiedenen Systemen verarbeitet und analysiert wurden und die Beziehungen zwischen Lernaktivitäten und Veränderungen in den Aktionen der Mitarbeiter definiert wurden, sowie die Beziehungen zwischen Aktionen und Veränderungen in der Geschäftskennzahl identifiziert wurden, könnte dieses Modell dann für die Optimierung von Lernaktivitäten zur Verbesserung der Geschäftsergebnisse verwendet werden. Hier kommt maschinelles Lernen ins Spiel. Wenn analytische Modelle gebaut werden, um kausale Zusammenhänge widerzuspiegeln, und dann identifiziert werden, werden die realen Daten aus bestehenden Systemen verwendet, um diese Modelle zu "trainieren", was dazu beiträgt, ähnliche Zusammenhänge in zukünftigen Datensätzen zu erkennen.

Maschinelles Lernen und Künstliche Intelligenz

In letzter Zeit gab es viel Hype um ML & KI (Maschinelles Lernen und Künstliche Intelligenz), einschließlich Ideen über Maschinen, die die Welt erobern. Ich glaube, das geschieht, weil die Menschen Angst vor dem haben, was sie nicht verstehen können. Das ist ganz natürlich, denn für einen Großteil der Bevölkerung ist das, was Maschinen tun, einfach zu komplex. Maschinen sind bei der Verarbeitung von Daten bedeutend besser als Menschen, und Menschen haben Angst, dass sie verlieren, wenn sie bei etwas nicht besser sein können. Die Sachlage stellt sich jedoch anders da. Wir können bei Routineaufgaben tatsächlich nicht mit Maschinen konkurrieren, aber Maschinen können uns in puncto Kreativität nicht schlagen.

Maschinen können nur das tun, wofür sie gebaut wurden. Maschinen können von Daten "lernen", aber das bedeutet, dass Maschinen Muster in Daten identifizieren und diese Muster dann entsprechend den Modellen, mit denen sie programmiert sind, auf die neuen Daten anwenden können. Das ist nur ein mathematischer Algorithmus, der von Menschen entwickelt wurde. Ein Mensch kann nicht die gleiche Datenmenge verarbeiten wie eine Maschine. Aber das Gleiche gilt für den Bau eines Wolkenkratzers: Menschen können dies nicht ohne die Hilfe von Maschinen und Mechanismen erreichen – nur mit schlauen Köpfen und menschlicher Muskelkraft ist ein Unterfangen dieser Art physikalisch unmöglich.

Also ist KI in gewisser Weise nur Mathematik – es gibt Algorithmen, die Muster in Daten identifizieren, und dann basierend auf diesen Entscheidungen treffen können. Ein sehr vereinfachtes Beispiel für künstliche Intelligenz und maschinelles Lernen könnte sein, dass, wenn man die Worte "Apfelbaum" in einem Lied 100 Mal hört, man vorhersagen kann, dass man nach "Apfel" in der Fortsetzung des Liedes das Wort "Baum" hören wird. Wenn Sie außerdem 1000 verschiedene Personen hören, die das Wort "Baum" mit einem etwas anderen Akzent sagen, dann können Sie dasselbe Wort identifizieren, wenn eine neue Person es mit einer anderen Betonung sagt. Und genau das ist es, was KI tut.

Wie kann KI beim Lernen in Unternehmen helfen?

Kommen wir nun auf unser Hauptthema zurück, wie kann all dies das Lernen in einem Unternehmen mit Hilfe von KI effektiver machen. KI kann im Bereich des Lernens in Unternehmen in vielen verschiedenen Szenarien eingesetzt werden. Einige Beispiele hierfür sind:

  • Interpretation und Klassifizierung von Lernmaterialien (Video zu Text, Bildklassifikation, tiefes Textverständnis und Konzeptklassifizierung),
  • Personalisierte Empfehlungen (basierend auf Ähnlichkeiten mit anderen Lernenden, durch Verknüpfung von Lernen mit Auswirkungen auf die Unternehmenskennzahlen, durch Erstellung eines eigenen Profils und eigener Präferenzen).

Traditionell sind L&D-Spezialisten für die Erstellung und Pflege von Materialien für Lernende sowie für die Empfehlung oder Zuweisung dieser Materialien an Zielbenutzer und Benutzergruppen zuständig. Aber wie wäre es, wenn die Routinearbeit, die zum Verfolgen des Lernfortschritts und zur Verteilung der relevanten Materialien erforderlich ist, von einer Maschine erledigt werden kann?

Mit Valamis ist dies nun möglich. Wir haben uns entschieden, diesen Prozess mit Hilfe von KI zu automatisieren, so dass die "Lieferung" der empfohlenen Materialien über eine Chatbot-Schnittstelle erfolgt. Chatbots sind eine einfache Möglichkeit für Benutzer, mit dem System zu interagieren, da sie über eine einfache und vertraute Benutzeroberfläche verfügen, die den Benutzern vom täglichen Leben vertraut sind. Um ein Gespräch über einen Chatbot zu beginnen, muss der Benutzer kein neues Konzept erlernen, denn es ähnelt vielen SMS- und Messaging-Anwendungen. Das war die Geburtsstunde von Valbo.

Wozu dient der Chatbot in Valamis?

Wie Gartner in ihrem Bericht über Anwendungsmöglichkeiten für Chatbots sagt:

"Bei der Betrachtung potenzieller Anwendungsfälle für Chatbots im Unternehmen sollten die Verantwortlichen zunächst die Auswirkungen auf die Ressourcen bewerten. Hier gibt es zwei Möglichkeiten: Ersetzung oder Unterstützung. Die Ersetzung ist deutlich einfacher, da Sie die Integration in bestehende Prozesse nicht in Betracht ziehen müssen und Sie die Software von Grund auf neu gestalten können. Die Unterstützung verbessert einen bestehenden Prozess, indem es ihn flexibler, anpassungsfähiger, zugänglicher und einfacher für die Benutzer macht." – Gartner, Vier Anwendungsfälle für Chatbots im Unternehmen (Four Use Cases for Chatbots in the Enterprise Now), Van L. Baker, Magnus Revang, 16. Februar 2017

Was bedeutet ValBo für L&D?

Das Ziel bei der Entwicklung von ValBo ist es, einen 24-7-Assistenten für Lernende zu schaffen. Verfügbarkeit rund um die Uhr, um dem Lernenden zu helfen, das zu finden, was für seinen aktuellen Kontext oder seine aktuelle Aufgabe relevant ist. ValBo kann auch proaktive Empfehlungen für den Lernenden aussprechen, wenn es feststellt, dass z.B. einige Lernmaterialien unvollendet sind. Valbo kann z.B. auch Einarbeitungsmaterialien für neue Mitarbeiter bereitstellen oder relevante " Einsteigerleitfäden " anzeigen, wenn ein Mitarbeiter befördert wurde oder sich seine Rolle im HR-System geändert hat. Die Aufgabe von L&D besteht darin, Lerninhalte zu kuratieren und die Empfehlungen von ValBo anhand von Beispielen oder Schulungsdaten anzupassen.

In Valamis werden Lerninhalte mit Hilfe von IBM Watson klassifiziert und indexiert, so dass ValBo die relevanten Materialien für die Bedürfnisse des Lernenden besser finden kann.

Die Kommunikation mit ValBo wird aufgezeichnet und analysiert und dient dazu, die Bedürfnisse der Lernenden besser zu verstehen.

Indem Lerninhalte klassifiziert und indexiert werden und die Bedürfnisse der Lernenden verstanden werden, können über ValBo Qualitätsempfehlungen ausgesprochen und an den Endanwender weitergegeben werden. Um die Qualität der Empfehlungen zu verbessern, werden die Aktivitäten der Lernenden und frühere Empfehlungen durch Algorithmen des maschinellen Lernens verarbeitet. Denken Sie an Amazons Empfehlungen, wie z.B. „Kunden, die diesen Artikel gekauft haben, kauften auch".

Gleichzeitig können Sie durch die Erstellung der Profile einzelner Lernenden Dinge besser verstehen, wie z.B.: Welche Form von Lernmaterialien werden bevorzugt, zu welcher Tageszeit wird am liebsten gelernt, werden größere oder eher kleinere Blöcke an Lerninhalten bevorzugt? Dadurch wird die Personalisierung der Empfehlungen weiter verbessert.

Valamis kann auch eine Verbindung zwischen den Lernaktivitäten in Valamis und anderen Systemen herstellen, so dass es Zusammenhänge zwischen Lernaktivitäten und den positiven Auswirkungen auf die Handlungen eines Benutzers erkennen kann, die zu einem positiven Ergebnis für die Geschäftskennzahlen des Unternehmens führen. Auf diese Weise werden die Empfehlungen von ValBo noch besser auf die wichtigsten Unternehmensinteressen abgestimmt.

Zusammenfassung

Informationen in Form von xAPI-Statements über die Lernaktivitäten der Mitarbeiter sind eine gute Quelle für die L&D-Abteilung, die Auskunft darüber geben, was funktioniert und was nicht. Wenn diese visuell interpretiert werden, können sie aufzeigen, welche Lernmaterialien den größten Nutzen bringen.

Dennoch wird bei der Optimierung auf dieser Ebene nicht berücksichtigt, ob das "notwendige" Lernen stattfindet und ob das Lernen zu gewünschten Veränderungen im Verhalten der Mitarbeiter führt.

Für die Verknüpfung des individuellen Lernens mit den Unternehmenszielen ist es notwendig, Daten aus vielen Quellen zu kombinieren und zu analysieren, was mit Hilfe moderner Analysewerkzeuge möglich ist.

In Valamis LXP wird ValBo, unserem Chatbot, die Rolle eines persönlichen Beraters übertragen. Es ist auch ein Werkzeug für die L&D-Führungskräfte in der Organisation, denn es entlastet Routinearbeiten im Zusammenhang mit der Verfolgung des Lernfortschritts und der Optimierung von Empfehlungen auf Grundlage der Unternehmensziele.

Erstellt von

Dmitry Kudinov
Chief Technology Officer
Als Chief Technology Officer bei Arcusys leitet Dmitry Kudinov die Produktentwicklungsabteilung mit seiner langjährigen Erfahrung und Expertise ebenso wie seinem genauen Verständnis für die Anforderungen der Kunden und Mitarbeiter. Dimtry baut neben seinen fundierten technischen Kenntnisse auf die Erfahrung der Umsetzung von der Implementation von Business Portalen bis hin zu hochkritischen Business Systemen.
Holger Bräunlich
Business Development Manager
+49 (0) 611 532 88 680
Neueste Beiträge
Weiterlesen

Blog

Humankapital-Entwicklung und die Zukunft der Finanzwirtschaft

Weiterlesen

Blog

Die Mitarbeiter der Zukunft: Wie wird sich Technologie auf die Fertigungsindustrie auswirken?

Weiterlesen

Blog

Wie bringen Sie Ihre Corporate Learning Strategie mit Ihren Unternehmenszielen in Einklang?