• 22 februari 2018

Gepersonaliseerde learning experiences door machine learning, AI en chatbots

In mijn vorige blog over gepersonaliseerd leren heb ik in een voorbeeld laten zien hoe we de technologie kunnen inzetten om het leren binnen een organisatie effectiever te maken. Kort samengevat: ik schreef over de digitalisering van de leerervaringen, waardoor we gegevens hierover kunnen verwerken en analyseren met behulp van machines en computeralgoritmen.

In deze nieuwe blog wil ik een stap verder gaan en laten zien hoe we personalisatie mogelijk maken binnen het Valamis – Learning Experience Platform (LXP). Maar voor we tot dit hoofdonderwerp komen, moeten we de context begrijpen waarin Valamis – LXP functioneert.

Valamis – LXP gebruikt de methode Experience API (xAPI), voorheen TinCan API genoemd. Met xAPI verzamelen we gedetailleerde informatie over de leeractiviteiten van een medewerker in de vorm van eenvoudige records. Door deze records te analyseren, zien we niet alleen het eindresultaat van het leren – bijvoorbeeld het behalen van een certificaat of de aanwezigheid bij een training – maar ook het proces dat de leerder naar dat resultaat heeft geleid. We zien dus bijvoorbeeld gedetailleerde informatie over goed of fout beantwoorde vragen, over de onderdelen waaraan een medewerker meer tijd heeft besteed en over de momenten waarop hij een video vooruit- of teruggezet heeft.

Optimalisatie van het leren voor medewerkers

Learning data, verzameld in de vorm van xAPI statements, zijn waardevol. Zichtbaar gemaakt in grafieken en rapportages kunnen ze helpen om de juiste besluiten te nemen over aanpassingen die het leerproces effectiever maken. Learning & Development (L&D) specialisten kunnen zien waar hun inspanningen het grootste effect zullen hebben: welk type content het best werkt, welke groepen leerders meer ondersteuning nodig hebben, welke materialen niet het beoogde effect sorteren en waar te lage toetsresultaten vragen om aanpassing van het materiaal of om een ander leerpad.

Met gegevens over de leeractiviteiten en -ervaringen van een leerder - xAPI statements - kan de afdeling L&D het leerproces dus optimaliseren voor iedere individuele leerder. Toch zien we hier een paar inefficiënties: de informatie moet worden geanalyseerd door mensen, de resultaten van de analyse worden toegepast door mensen en – belangrijker nog – er wordt niet gekeken of de optimalisatie van het individuele leren een positief effect heeft op de bedrijfsresultaten.

Trainingsmogelijkheden voor alle medewerkers

In organisaties wordt zelden zonder reden geleerd. Het leren speelt meestal in op grote of kleine problemen en behoeften die bijvoorbeeld te maken hebben met de rol van de medewerker, of met zijn huidige taak of toekomstige promotie. Het leren kan ook verband houden met veranderingen in de organisatie of in de omgeving van de concurrent.

Het gedrag van medewerkers kan door het leren veranderen en er is een veelheid aan bronnen om dit waar te nemen. Zo kan de implementatie van een leerpad over stress management en mindfulness-technieken resulteren in vermindering van het aantal ziektedagen van een medewerker. De informatie over ziekteverlof is waarschijnlijk te vinden in het HR-systeem van het bedrijf. Wanneer deze wordt gecombineerd met gegevens over de leeractiviteiten en – ervaringen van de medewerker, kan dat een indicatie opleveren van positieve impact: de leeractiviteiten hebben effect op het gedrag van de medewerker.

Grote organisaties hebben vaak veel systemen die gegevens verzamelen over de medewerkers. Koppeling van die data met leeractiviteiten kan interessante oorzaak-gevolgverbanden aan het licht brengen. Dergelijke nu nog vaak onbenutte data bevinden zich niet alleen in HR-systemen, maar ook in CRM-systemen waarin alle klantgerelateerde activiteiten en gebeurtenissen worden opgevoerd. Of in een systeem voor versiecontrole, waarin developers en administrators individuele wijzigingen voor softwarecomponenten en configuraties indienen. Of zelfs in een systeem dat informatie verzamelt die afkomstig is van sensors of andere Internet-of-Things (IoT) apparaten.

Trainingsmogelijkheden voor alle medewerkers

Uit bovenstaande voorbeelden blijkt waar gegevens over activiteiten van medewerkers zich kunnen bevinden. Als die data worden verwerkt en geanalyseerd, dan kan dat zichtbaar maken hoe het gedrag van een medewerker in de loop van de tijd verandert. Die veranderingen zijn meestal gerelateerd aan leren, in welke vorm dan ook.

De performance van een organisatie is afhankelijk van het medewerkersgedrag

In de meeste bedrijfsstatistieken wordt een link gelegd naar de bedrijfsresultaten, bijvoorbeeld naar de omzet, het inkomen of de aandelenkoers. Of - niet-monetair -, naar productievolumes, klanttevredenheid of behoud van personeel.

De strategie van een organisatie is meestal gebaseerd op meetbare prestatie-indicatoren en een einddoel. De data voor de benodigde statistieken zijn te vinden in de financiële systemen, in de HR-systemen of de CRM-systemen. Het is mogelijk om te zien hoe de cijfers in de loop van de tijd veranderen en om te bekijken of ze de gewenste kant op gaan tegen de gewenste kosten. Maar waardoor veranderen de cijfers? Wat stuurt ze aan? Het is ongetwijfeld het resultaat van de gezamenlijke inspanningen van een heleboel verschillende mensen.

Stelt u zich eens voor dat een bedrijf heeft vastgesteld dat het nodig is om de klanttevredenheid te verbeteren. Als de klanttevredenheid laag is en de organisatie stelt zich ten doel om dit te verbeteren, dan zijn er vele mogelijkheden om hiermee aan de slag te gaan. En het zijn de mensen, de medewerkers van de organisaties, die iets doen om de graadmeter voor dit aspect te verbeteren.

De verbetering van een graadmeter is te volgen in een van bovengenoemde systemen, bijvoorbeeld een CRM. Het gedrag van medewerkers is veranderd, de acties die ze ondernamen waren anders dan voorheen en die verschillen hebben geleid tot verbetering van de graadmeter. We kunnen de vooruitgang dus volgen, maar het is met een CRM niet mogelijk om de data te volgen die tot de veranderingen hebben geleid.

Is het mogelijk om te weten wat de verandering in het gedrag heeft veroorzaakt? Kunnen we weten wat werkt en wat niet werkt? En wat we moeten vermijden om verspilling van kostbare resources te voorkomen?

Learning analytics helpen het raadsel oplossen

Het antwoord op de vragen hierboven is te vinden met behulp van analytics. Gegevens van verschillende systemen zoals eerder genoemd, kunnen worden verwerkt, gecombineerd en geanalyseerd. Dat geeft ons inzicht in de oorzakelijke verbanden die er zijn tussen de veranderingen in de zakelijke graadmeters die we zien in het ene systeem, en de veranderingen in het gedrag van medewerkers die worden waargenomen door een ander systeem.

Hoewel het eenvoudig klinkt, is het vaststellen van dergelijke afhankelijkheden een complexe taak. Moderne analysetools maken deze taak uitvoerbaar en dit doel bereikbaar. Machines zijn in staat om enorme hoeveelheden data te verwerken, en patronen en afhankelijkheden bloot te leggen. Machine learning kan bepalen welk gedrag een positief effect had, en welk gedrag niet. Door gegevens over leeractiviteiten en veranderd gedrag in combinatie te analyseren, wordt ook duidelijk welke leeractiviteiten waarde toevoegen. Met andere woorden: welke leeractiviteiten verandering teweeg hebben gebracht, en welke leeractiviteit niet het gewenste resultaat hebben gehad.

Deze afbeelding illustreert het bovenstaande:

Deze afbeelding illustreert het bovenstaande
Bron: A.D. Detrick, 2016

Als de gegevens afkomstig van de diverse systemen zijn verwerkt en geanalyseerd, en het verband tussen de leeractiviteiten en de veranderingen in het medewerkersgedrag zijn vastgesteld, en als ook de relatie tussen de activiteiten en de zakelijke graadmeter is bepaald, dan kunnen we dit model uiteindelijk inzetten om de leeractiviteiten dusdanig te optimaliseren dat ze de bedrijfsresultaten verbeteren. Dit is waar machine learning om de hoek komt kijken. Bij het bouwen van analytische modellen om oorzakelijke verbanden weer te geven en vervolgens te herkennen, gebruiken we echte gegevens van bestaande systemen om die modellen te 'trainen', wat helpt om soortgelijke relaties te herkennen in toekomstige datasets.

Machine Learning en Artificial Intelligence

Er is een complete hype ontstaan rond ML en AI, inclusief ideeën over machines die de baas worden in de wereld. Ik denk dat dit komt doordat mensen bang zijn voor wat ze niet kunnen begrijpen. Een natuurlijke reactie, omdat wat machines doen voor een groot deel van de bevolking gewoon te complex is. Machines zijn veel beter in het verwerken van data dan mensen, en mensen zijn bang dat ze verliezen als ze in iets niet de beste zijn. Maar ze verliezen niet. We kunnen het niet winnen van computers als het gaat om routinematige taken, maar computers kunnen ons niet verslaan wat betreft creativiteit.

Machines kunnen alleen datgene doen waarvoor ze zijn gebouwd. Ze kunnen 'leren' van data, maar dat betekent dat ze patronen in data kunnen herkennen en dat ze die patronen vervolgens kunnen toepassen op nieuwe data volgens modellen waarvoor ze zijn geprogrammeerd. Dat is gewoon een wiskundig algoritme dat is gemaakt door mensen. Een mens kan niet dezelfde hoeveelheid data verwerken als een machine. Je kunt het vergelijken met het bouwen van een wolkenkrabber: een mens kan dat niet zonder de hulp van machines en mechanismen, het is fysiek gewoon niet mogelijk met slechts één stel hersenen en de spierkracht van slechts één persoon.

AI is dus in zekere zin gewoon wiskunde. Er zijn algoritmen die patronen in data identificeren, en op basis daarvan kunnen beslissingen worden genomen. Hier volgt een sterk vereenvoudigd voorbeeld van hoe AI en machine learning werken. Stel je voor dat je in liedjes 100 keer het woord 'appelboom' hoort. Je kunt dan beginnen te voorspellen dat je 'boom' zult gaan horen in een liedje als je 'appel' hebt gehoord. En als je 1000 verschillende mensen het woord 'boom' hoort uitspreken met ieder een iets ander accent, dan zul je het woord ook herkennen als een nieuw persoon het woord op zijn eigen manier uitspreekt. Dit is precies wat AI doet.

Hoe kan AI het leren in een organisatie ondersteunen?

Om terug te komen op ons hoofdonderwerp: hoe kan dit alles er met behulp van AI voor zorgen dat het leren in een organisatie effectiever wordt? AI laat zich in veel verschillende scenario's toepassen. Een paar voorbeelden:

  • interpretatie en classificatie van leermaterialen (van video tot tekst, classificatie van afbeeldingen, diepgaand tekstbegrip en classificatie van concepten)
  • gepersonaliseerde aanbevelingen (gebaseerd op overeenkomsten met andere leerders, door het leren in verband te brengen met de KPI's van het bedrijf, door een profiel met voorkeuren van de gebruiker op te bouwen)

Het zijn van oudsher de L&D-professionals die zich bezighouden met het aanmaken en verzamelen van materiaal voor de leerders, en met het aanbevelen of toewijzen van dat materiaal aan leerders of groepen leerders. Maar hoe zou het zijn als een machine het routinematige werk kan doen om de vorderingen van een leerder te volgen en de relevante materialen aan te bieden?

Dit kan nu met Valamis. Wij hebben besloten om dit proces met behulp van AI te automatiseren, zodat de 'levering' van aanbevolen materialen plaatsvindt via een chatbot interface. Mensen interacteren gemakkelijk via de chatbot, omdat die een eenvoudige en bekende interface heeft die mensen ook gebruiken in het dagelijks leven. Om een conversatie te beginnen met een chatbot hoeven ze niets nieuws te leren, omdat de situatie sterk lijkt op veel andere toepassingen voor chatberichten. Zo werd Valbo geboren.

De chatbot van Valamis: wat doen we ermee?

Gartner schrijft in zijn rapport over use cases voor chatbots:

"Bij het overwegen van mogelijke use cases voor chatbots in het bedrijf moeten applicatiemanagers eerst de impact op de resources bepalen. Er zijn twee mogelijkheden: vervanging of versterking. Vervangen is duidelijk makkelijker, omdat je niet hoeft na te denken over integratie met bestaande processen en je helemaal opnieuw kunt bouwen. Versterken is het verbeteren van het bestaande proces, door het flexibeler, beter aanpasbaar, toegankelijker en eenvoudiger voor gebruikers te maken."
- Gartner, Four Use Cases for Chatbots in de Enterprise Now, door L. Baker, Magnus Revang, 16 februari 2017

Wat betekent Valbo voor L&D?

Valbo is gecreëerd om de leerder 24/7 assistentie te bieden. Het is een assistent die op elk uur van de dag klaarstaat om de leerder materiaal te helpen vinden dat relevant is voor de huidige context of taak van de leerder. Valbo kan bovendien voorzien in proactieve aanbevelingen voor de leerder - bijvoorbeeld wanneer de leerder sommige materialen niet heeft voltooid. Valbo kan ook onboarding-materialen geven aan nieuwe medewerkers, of relevant materiaal laten zien aan iemand die promotie heeft gemaakt of wiens rol in het HR-systeem is gewijzigd. De rol van L&D hierin is het verzamelen van leercontent en het aanpassen van Valbo's aanbevelingen op basis van voorbeelden of training data.

De leercontent wordt in Valamis geclassificeerd en geïndexeerd met behulp van IBM Watson, zodat Valbo gemakkelijk het relevante materiaal kan vinden dat beantwoordt aan de behoeften van de leerder.

De communicatiemomenten met Valbo worden verzameld, geanalyseerd en gebruikt om meer inzicht te krijgen in de behoeften van de leerder.

Door de leercontent te classificeren en te indexeren, en de behoeften van de leerders te begrijpen, wordt het mogelijk om Valbo hoogwaardige aanbevelingen te laten doen aan de eindgebruiker. Om deze aanbevelingen nog verder te verbeteren, worden de activiteiten van de leerder en de aanbevelingen die hij eerder kreeg, verwerkt door algoritmen voor machine learning. Denk hierbij aan de aanbevelingen van Amazon, zoals: 'Mensen die dit artikel kochten, kochten ook.'

Door tegelijkertijd voor iedere leerder een profiel op te bouwen, begrijpen we beter voor welke vorm van leermaterialen een leerder een voorkeur heeft, op welk moment van de dag hij het liefst leert, of hij graag grote hoeveelheden leercontent ontvangt dan wel de voorkeur geeft aan microlearning. Aan de hand hiervan kunnen de aanbevelingen verder worden gepersonaliseerd.

Valamis kan de leeractiviteiten in Valamis linken aan andere systemen, zodat het verband zichtbaar wordt tussen leeractiviteiten en de positieve impact daarvan op de handelingen van een gebruiker en uiteindelijk op de zakelijke KPI's van het bedrijf. Op deze manier kunnen de aanbevelingen van Valbo steeds verder worden afgestemd op de belangen van de organisatie.

Conclusie

Informatie in de vorm van xAPI statements over de leeractiviteiten van een medewerker vormt een bron van inzicht voor de L&D-afdeling, waaruit blijkt wat werkt en wat niet werkt. Een visuele interpretatie van deze informatie maakt inzichtelijk welke leermaterialen de meeste waarde toevoegen.

Toch wordt er bij optimalisering op dit niveau geen rekening mee gehouden of het 'noodzakelijke' leren daadwerkelijk plaatsvindt en of het leren leidt tot de gewenste veranderingen in het gedrag van de medewerker.

Om het individuele leren in verband te brengen met de bedrijfsdoelstellingen, moeten we data afkomstig uit meerdere bronnen combineren en analyseren. Moderne analysetools maken dit mogelijk.

De chatbot Valbo vervult in Valamis LXP de rol van persoonlijk adviseur. Valbo is ook een tool voor het routinematige werk van L&D om de vorderingen van leerder te volgen en de aanbevelingen te optimaliseren voor het bereiken van de bedrijfsdoelstellingen.

Digital Transformation of the Workforce

Digital Transformation of the Workforce

Creating Human Touch for AI Revolution

Lees meer over de voordelen van proactieve retraining en reskilling, en ontdek de economische aspecten van leren.