KI für Bildung
Verbesserung von Studenten-Feedback und Lehrer-Workflows durch intelligente Automatisierung
Fallstudie Zusammenfassung
Kunde: Mark My Words
Website: markmywords.au
Branche: Bildungstechnologie
Impact-Metriken:
- 85% Reduzierung der Lehrerarbeitsbelastung für Essay-Feedback
- < 3 Sekunden zur Generierung kontextbewusster, personalisierter Antworten
- 4x Verbesserung der Feedback-Relevanz-Scores (basierend auf Pilottests)
- Ermöglichte Lehrern, 30% mehr Zeit für Studenten-Mentoring aufzuwenden
Herausforderung
Mark My Words ist ein australisches EdTech-Startup, das eine KI-gestützte Plattform für Lehrer entwickelt, um Aufgaben zu verfolgen, detailliertes Feedback zu geben und Studenten beim Erfolg zu helfen. Die Herausforderung bestand darin, die Kernintelligenz hinter der Plattform weiterzuentwickeln und zu verfeinern, um ein verbessertes Benutzererlebnis zu bieten.
Mein Ansatz
Als Teil des Machine Learning- und KI-Teams arbeitete ich an der Implementierung von Retrieval-Augmented Generation-Modellen, um sinnvollen Kontext aus Studenten-Essays und Wissensquellen zu extrahieren und die Tiefe und Relevanz des Feedbacks zu verbessern. Ich baute synthetische Datengenerierungs-Pipelines auf, um unsere Embedding- und generativen Modelle zu fine-tunen und sie robuster und anpassungsfähiger für diverse Schreibstile zu machen. Zusätzlich entwickelte ich Endpunkte, um diese KI-Fähigkeiten mit der Frontend-Anwendung zu integrieren und nahtlose Echtzeit-Interaktion zwischen Studenten, Lehrern und dem Feedback-System zu ermöglichen.
Ergebnisse
Die Plattform ist jetzt in der Lage, ganze Sammlungen von Studenten-Schreibarbeiten in kurzer Zeit zu verarbeiten und sofortiges, detailliertes und personalisiertes Feedback zu liefern. Feedbacks sind durch RAG-Integration in relevantem Kontext verankert und durch Fine-Tuning spezialisiert und altersgerecht.
Technische Expertise
Dieses Projekt bringt fortgeschrittene Machine Learning- und Natural Language Processing-Techniken zusammen, einschließlich RAG-Architekturen, Transformer-Modelle, Sentence-Embeddings und Large Language Model Fine-Tuning. Letzteres beinhaltete auch synthetische Datengenerierung für Modelltraining. FastAPI und asynchrone Endpunkte wurden verwendet, um zuverlässige Backend-Performance und reibungslose Integration zu gewährleisten.
-
Lass uns virtuell einen Kaffee trinken!
Möchtest du sehen, ob wir zusammenpassen? Lass uns reden und es herausfinden. Plane eine kostenlose 30-minütige Strategiesitzung, um deine KI-Herausforderungen zu besprechen und zu erkunden, wie wir zusammenarbeiten können.