助力学习型企业的AI与学习工程

博奥研究院　Jessie Chen

随着计算能力增长，以及人工智能的发展，我们进入了工业4.0时代，包括数据在内的所有虚实物件都可被连接在一起，创新、竞争和变革的速度是前所未有的。通过机器学习，迭代的速度可以短到几个小时（如图1所示）。每个企业目前所面临的问题是，企业朝着目标迭代的速度有多快？

一、快速迭代的学习型组织

在2020年新冠肺炎疫情期间，现代企业比以往更加迫切地需要敏捷和高效的组织来应对、竞争与生存。学习型企业是指帮助其成员学习以不断进行自我转型和前进的公司。员工在组织结构与流程上协调运作与学习发展的效率决定着企业的学习速度，企业的学习与发展部门在推动其成员的转型中扮演着重要的角色。

为了加速达到组织目标，组织需要根据数据进行迭代。在与我们的访谈中，SAP的Nate Hurto强调了迭代循环（Iterations Loops）的重要性，这些迭代（包括宏观迭代与微观迭代）必须尽可能地快速，这对于智能企业是至关重要的。Nate Hurto观察到，“当这些组织开始结合来自不同系统的数据时，转型就会发生”。

近几年来，在市场营销技术（Marketing Technology，MarTech）领域已经运用高度颗粒化的个性化或分群的推荐技术改变了用户行为。然而，在帮助员工更快地学习方面，仍然还有很多进步的空间。例如，在企业内部进行的宏观和微观迭代，即使利用了学习管理系统（LMS），也通常没有考虑学习科学。

“学习工程是一种流程和实践，基于学习科学、以人为中心的工程设计方法，以数据为依据的决策，支持学习者及其环境。” —— IEEE ICICLE

多所学校及研究机构在学习科学、行为科学、脑神经科学等领域的科研项目中，对于如何有效学习、如何有效评量、如何有效激励已有数十年的研究。研究证明，好的设计可让数字化学习比传统课堂模式成效更好，这些方法可以融入培训设计工具，直接帮助培训师或教师在一定科学基础上建立培训。行为干预措施已被用于促进各种社会行为，如健康的饮食习惯、运动及在学习时提高成就。

最基本的学习原则如下。

• The Forgetting Curve：诸多研究证实，在学习后第30天，79%的知识已经被遗忘。

• The“Spacing Effect”：第一次学习后，若根据已经研究证实的特定时间间隔进行重复复习，则知识的记忆可大幅提升。

• The“Testing Effect”：在进行测验练习时，学习者需应用新学习到的知识，若搭配立即反馈，则对记忆效果有巨大帮助。

借助数字工具、数据与学习工程，可以自动化运营高效的培训，例如，

• 将最佳实务流程化、程序化，以支持培训设计与协作，以及培训过程。

• 基于遗忘曲线，在最佳复习时间点自动推送内容。

• 根据行为科学与实际数据，反馈与提醒学习者何时该做何事，或者强化其正向行为，从而可以促进其对企业文化的理解。

• 在工作流中推送相关内容的支持表现，推送信息集成并融入使用者工作与日常使用的数字化工具，可以更进一步地根据岗位设计完整的技术支持。

二、AI在企业学习中的应用

施耐德电器（Schneider Electric）学习创新总监Alban Jacquin在访谈中指出，他们使用AI引擎为学习者推荐学习活动。该AI引擎的基础是一组针对800多个岗位的技能模型。该AI引擎可以使学习者更动态地获得协助，因为技能模型不会经常更新，也不会兼顾自上而下地指定学习（Push）与自发学习（Pull）。

MCI研究院院长Avinash Chandarana在访谈中也提到，他们的L&D团队现在只有两个人，AI引擎大大提高了学习者的参与度，并提高了L&D团队的生产力。Avinash甚至使用AI培训工具协助MCI的客户维护其客户社群的运营。在2020年新冠肺炎疫情期间，几乎所有亲临现场的活动都被取消了。在远程工作成为新常态的新冠肺炎疫情期间，利用人工智能技术支持自我驱动的学习就显得尤为需要。

以下以AI赋能销售流程为例，讲解AI在企业学习中的应用。

通常，销售流程常见问题包括没有定义销售流程、客户资料不完整、无效率的会议、会议后没有跟进、销售漏斗（Sales Funnel）管理差、销售代表培训成效差。

AI赋能销售包括以下两个维度。

（1）自动化与集成。

• 自动截取与客户交互的记录并录入系统（汇集不同沟通工具的记录）。

• AI自动转写电话或会议录音。

• 专家或AI建立最佳销售流程与对话样板，系统自动进入下一步，并适时提醒。

• 会议前：提示销售要领、客户历史；会议后：记录重点、自动跟进下一步。

• 根据业务活动与脑科学，适时自动推送“微学习”内容，随时可学习。

• 对电话或会议记录进行系统集成，并进行AI分析，AI对谈话技巧自动反馈。

• 集成销售话术演练的录频，进行AI分析，或者送交主管/教练以获得反馈。

• 游戏与竞赛机制支撑社群交互活跃化。

（2）数据萃取与自动发现商机。

• 智能陪练：通过分析工作/学习数据提供个性化的学习推荐。

• 将高表现（基于数据）的员工行为及对话萃取成最佳流程样板与话术。

• 通过分析数据预测客户购买的可能性及需求机会，建立客户与产品的优先顺序，将时间花在对的潜在客户上。

• 通过数据监测团队活力，以利主管掌握管理。

例如，某公司有1000位医疗器材销售代表，且产品数量十分庞大，同时该公司的规定及流程经常变化，因此该公司员工的认知负载非常重。因此，该公司使用混合学习（Blended Learning）的模式，随时推送规定与流程的变化信息。当销售代表需要查找信息时，可使用数据做关联与效度分析，很容易地查找出相关信息。

由此可知，将学习工程最佳实务与机器学习相结合，可以真正推动组织学习的速度。这种结合早已在其他工程学科中被应用。我们可以将这种组合称为“AI强化学习”，其基本要素包括学习与行为科学、工程方法论和机器学习。

三、利用AI强化学习时所需条件

我们采访过数十家创建“AI强化学习”（AI for Learning）解决方案的公司，他们需要与企业L&D团队紧密合作，来建立并实现其目标所需的技能框架。L&D团队为了加强培训的效果，需要能够为技能框架积累和标记一定数量的学习数据内容。机器学习可以推断和自动提出建议，并可与用户进行交互，提出问题以理解学习者，同时可以尝试收集学习数据之外的其他类型数据，以进行更好的建模。

为了推动员工学习，我们也需考虑管理策略维度。例如，施耐德电气人才数字化副总裁Andrew Saidy在公司实施了人才开放市场（Open Talent Market，OTM）项目。OTM在留住人才、匹配组织中的动态需求与可用人才、推动公司内部流动性及激发学习动机方面，产生了重大的推动作用。OTM与公司的LMS相连接，有助员工掌握自己的学习情况。采用OTM是一种管理策略，当人们想要改变或提升自己的职业生涯时，可以利用OTM驱动学习。为了促进员工良好地运用OTM，必须对岗位能力和员工的技能进行良好的建模管理，以便AI引擎可以快速配对。

企业学习的数字化转型主要阶段如图2所示。

四、检视企业学习的需求

在公司环境中的学习和发展（L&D）比在基础教育（K-12）或高等教育环境中的更为复杂。

（1）L&D是一个达到事业目的的手段。

（2）员工没有太多时间学习，真正的学习往往是在工作中发生。

（3）节省员工的时间是黄金KPI，“在工作流中学习”最有效率，也是企业正在尝试的新趋势，关键问题是如何实现。

（4）L&D团队需要能够测量培训的成效。企业希望能够将L&D指标与事业指标进行关联和分析，以了解L&D投资的回报率。

（5）Alban认为，L&D部门需要成为企业的绩效顾问与学习经验设计师。企业需要考虑L&D部门如何提升能力，以及企业如何利用技术工具来支持L&D的工作。

（6）企业学习系统应该是一个生态系统，利用API集成与衔接多元化的学习应用与数据，并进行迭代。岗位能力建模是基础，一个好的AI引擎可将个性化学习规模化并自动化运营。（来自施耐德与MCI访谈）

（7）人工智能已经开始对企业的L&D产生显著的正面影响。（MCI集团Avinash Chandarana的访谈）

（8）不能忽略隐私、数据集成和安全性相关的问题。我们希望有更多的数据，但是隐私是需妥善处理的问题。

（9）员工在工作或人与人之间的交互中不断发现和创造新知识。

五、考虑AI的更多可能性

一项调查显示，接受调查的55%的雇主希望依靠AI来解决技能落差。原因如下。

（1）“AI强化学习”可以帮助学习者提高学习和培训的效率。

（2）AI可以提高员工的绩效（应该将学习与工作很好地融合在一起，如前述AI赋能销售的例子）。

（3）AI可以代替员工完成工作，因此在没有足够人才的情况下，可以让AI来提供帮助。

从企业经营的角度来看，如果任务可以由机器来完成，那么就可以降低大量成本并提高生产力。在某些任务中，机器的性能要比人类好得多。因此，我们还应该探索人类与AI在岗位上的合作机会。这就需要培训部门专业能力的提升。例如，施耐德电气对培训发展部门的专业要求如图3所示。

六、对培训人的期许

企业朝着目标迭代时，决定其迭代速度的关键因素是数据和集成的方式、建模和问题解决方法、有效的测量。机器智能需要出色的算法建模和问题解决技术，在学习工程、AI、自动化和数据驱动的企业运营中，培训部门必须能够评估、判断与利用这些技术。