IA para Educación
Mejorando la Retroalimentación Estudiantil y Flujos de Trabajo de Profesores a través de Automatización Inteligente
Resumen del Caso de Estudio
Cliente: Mark My Words
Sitio web: markmywords.au
Industria: Tecnología Educativa
Métricas de impacto:
- 85% de reducción en la carga de trabajo del profesor para retroalimentación de ensayos
- < 3 segundos para generar respuestas personalizadas y conscientes del contexto
- 4x mejora en puntajes de relevancia de retroalimentación (basado en pruebas piloto)
- Permitió a los profesores enfocar 30% más tiempo en mentoría estudiantil
Desafío
Mark My Words es una startup EdTech australiana que está desarrollando una plataforma impulsada por IA para que los profesores rastreen tareas, proporcionen retroalimentación detallada y ayuden a los estudiantes a tener éxito. El desafío era desarrollar y refinar aún más la inteligencia central detrás de la plataforma, proporcionando una experiencia de usuario mejorada.
Mi Enfoque
Como parte del equipo de machine learning e IA, trabajé en implementar modelos de Generación Aumentada por Recuperación para extraer contexto significativo de ensayos estudiantiles y fuentes de conocimiento, mejorando la profundidad y relevancia de la retroalimentación. Construí pipelines de generación de datos sintéticos para fine-tunar nuestros modelos de embedding y generativos, haciéndolos más robustos y adaptables a diversos estilos de escritura. Adicionalmente, desarrollé endpoints para integrar estas capacidades de IA con la aplicación frontend, habilitando interacción fluida y en tiempo real entre estudiantes, profesores y el sistema de retroalimentación.
Resultados
La plataforma ahora es capaz de procesar conjuntos completos de escritura estudiantil en un marco de tiempo corto, proporcionando retroalimentación inmediata, detallada y personalizada. Las retroalimentaciones están ancladas en contexto relevante a través de integración RAG y son especializadas y apropiadas para la edad a través de fine-tuning.
Experiencia Técnica
Este proyecto reúne técnicas avanzadas de machine learning y procesamiento de lenguaje natural, incluyendo arquitecturas RAG, modelos transformer, embeddings de oraciones y fine-tuning de modelos de lenguaje grandes. Este último también involucró generación de datos sintéticos para entrenamiento de modelos. FastAPI y endpoints asincrónicos fueron utilizados para asegurar rendimiento backend confiable e integración fluida.
-
¡Tomemos un café virtual juntos!
¿Quieres ver si somos compatibles? Conversemos y averigüémoslo. Programa una sesión de estrategia gratuita de 30 minutos para discutir tus desafíos de IA y explorar cómo podemos trabajar juntos.