Was sind Recommender Systems?
Ein Empfehlungssystem, auch Recommender System genannt, ist eine Softwarelösung, die Benutzern personalisierte Vorschläge oder Empfehlungen für Produkte, Dienstleistungen oder Inhalte macht. Es basiert auf den Vorlieben, dem Verhalten und den Interaktionen des Benutzers. Solche Systeme kommen häufig in Online-Shops, Streaming-Plattformen, sozialen Netzwerken, aber auch auf modernen Lernplattformen wie chunkx zum Einsatz. Auf Lernplattformen beschränken sie sich nur meistens darauf, den Lernenden neue Kurse von der jeweiligen Plattform oder von einer begrenzten Zahl an Partnern zu empfehlen. Wir finden, das geht besser!
Recommender Systems in chunkx
In chunkx verarbeiten wir nicht nur, welche Kurse ein Lerner macht, sondern können direkt die Inhalte der vielen einzelnen Lerneinheiten analysieren. Das erlaubt uns, inhaltliche Vergleiche zu machen. Lernst du z.B. viel zum Thema Diverse Leadership, können wir die Inhalte deiner Lerneinheiten sowie deine Lerndaten dazu nutzen, um sie mit Skills zu matchen und passende Empfehlungen zu generieren:
1) Passende Kurse in chunkx
Okay, das ist noch keine Überraschung, aber eine sehr wichtige Funktion für unsere Kunden, die unsere Micro-Learning-Plattform nutzen.
2) Passende Kurse außerhalb von chunkx
Jetzt kommen wir der Innovation schon näher. Per KI und gut aufgesetzter Data Extraction können wir passende Kurse zum Weiterlernen für dich finden. Hierbei können auch Skills, Entwicklungsziele und andere Parameter berücksichtigt werden.
3) Artikel, Studien und Updates
chunkx unterstützt dich bereits intensiv beim Lerntransfer. Mit unserem Recommender System machen wir es dir aber auch leicht, von neuen Artikeln, Studien und allgemein von Updates zu deinen Themen zu profitieren. Bleiben wir beim Beispiel Diverse Leadership: Wenn du einen super Kurs mit anschließendem Lern-Abo in chunkx hast, möchtest du ja nicht bei diesem Stand der Inhalte stehenbleiben, sondern dich weiterentwickeln. Solange du das Abo zum Kanal behältst, werden wir deine Lerndaten und Skills automatisch mit neu gefunden Artikeln vergleichen und dir Bescheid sagen, sobald wir etwas passendes für dich finden! So unterstützen wir dich nicht nur beim Lerntransfer, sondern vor allem auch beim kontinuierlichen Weiterlernen.
Quellen von Recommendations
Qualität ist eine Kernanforderung an unsere automatisch generierten Recommendations. Der erste Schritt dahin ist es, die Quellen zu kontrollieren, aus denen neue Empfehlungen grundsätzlich generiert werden dürfen. Hier gibt es unterschiedliche Stufen:
- Selektierte Quellen
Gemeinsam mit unseren Kunden legen wir fest, welche Quellen wir für sie regelmäßig crawlen sollen. Dadurch stellen wir sicher, dass nur vom Kunden gewünschte Quellen für neue Empfehlungen berücksichtigt werden. Crawlen bedeutet, dass ein Roboter sich die Website immer wieder anschaut und analysiert, was neues veröffentlicht wurde. Diese Inhalte werden vektorisiert, um sie leichter mit Lerndaten vergleichen zu können. - Firmeninterne Quellen
Noch mehr Kontrolle haben Kunden natürlich über ihre internen Daten. Und auch die lassen sich für Recommendations nutzen: Ähnlich wie bei der Vorgehensweise oben, vektorisieren wir die internen Daten, z.B. die einer Produktdatenbank oder einer Knowledge Platform, und reagieren auf identifizierte Wissenslücken bei den Lernenden mit den perfekten Empfehlungen zu den internen Artikeln. - Das freie Internet
Gerade bei Themen, die hochaktuell sind, wie z.B. Generative AI, und bei denen sich täglich etwas ändern kann, empfehlen wir Kunden, auf die Einschränkung der Quellen zu verzichten. Ohne diese Einschränkung können wir noch passendere Empfehlungen für Kurse, Artikel und Updates finden.
Validierung von Recommendations
Gerade bei innovativer Automatisierung ist es wichtig, die Validierung der Ergebnisse ordentlich aufzusetzen. Je nach Use-Case wird eine erste Validierung bereits über die Einschränkung und Auswahl der Quellen sichergestellt. Da unser Recommender System vor allem auf inhaltlicher Nähe zwischen Lerneinheiten und neuen Kursen bzw. Artikeln aufbaut, gibt es erstmal grundsätzlich eine sehr gut Chance der Passung. Alle Ergebnisse, die aus dieser Sicht gut genug sind, landen auf einer Shortlist.
Die Shortlist lassen wir dann mit GPT-4 analysieren und nochmals mit der Ausgangssituation, sprich den Lernerdaten, vergleichen. Wir nutzen hierbei nur Services über Microsoft Azure, sodass wir sicherstellen können, dass keine der Daten von OpenAI außerhalb unseres konkreten Zwecks genutzt werden dürfen und alle Daten in Europa (konkret in Frankreich) verarbeitet werden. Nach der Verarbeitung bleiben ein paar wenige Top-Ergebnisse übrig.
Die Top-Ergebnisse werden vor Veröffentlichung nochmal menschlich geprüft, sodass wirklich nichts schiefgehen kann. Dies gilt für unsere asynchronen Empfehlungen, aber nicht für adhoc Empfehlungen, wenn ein Lerner z.B. jetzt sofort eine neue Kurs-Empfehlung möchte.
Verknüpfung mit nächster Lerneinheit
Im Bild oben siehst du ein Beispiel einer Recommendation, die per E-Mail gesendet wurde. Was du darunter siehst: Jeder Kommunikationsanlass wird von chunkx genutzt, um den Lernenden die nächste Lerneinheit zu schicken. Dadurch unterstützen wir das kontinuierliche Weiterlernen und ermöglichen Lernen direkt im Flow-of-Work in den Kanälen, die Menschen eh bereits nutzen (aktuell unterstützen wir E-Mail und MS Teams).
Wann startest du mit chunkx?
Mit chunkx haben wir die Lösung geschaffen, um eure einmaligen Lernaktivitäten in kontinuierliche Lernerfahrungen zu verwandeln, u.a. mit Hilfe unserer Recommender Systems. Sprich mit uns über eure Lernkultur und die Veränderungen in eurem Unternehmen und wie chunkx euch am besten unterstützen kann.
