3 мая образовательная онлайн-платформа Школково внедряет ИИ-помощник, разработанный на собственной базе данных. IT-продукту нет аналогов на современном российском рынке. За эту разработку компания получила статус резидента Сколково.
Умный чат-бот запускают в рамках бесплатного интенсива по подготовке к ОГЭ и ЕГЭ «Щелчок». В 2025 году в интенсиве приняли участие более 400 тысяч человек, количество уникальных просмотров превысило 5 миллионов. В 2026 году «Щелчок» увеличивает масштаб, организаторы прогнозируют до миллиона зрителей. В интенсиве участвуют не только выпускники 9-х и 11-х классов, но и десятиклассники, восьмиклассники, учителя и родители. Чтобы улучшить подготовку, IT-команда Школково подключает умного чат-бота. Благодаря нему, у каждого участника интенсива будет свой личный план, круглосуточная поддержка и проверка сочинений.
1. Модель научилась предсказывать итоговый балл ученика на ЕГЭ и промежуточные результаты (пробные варианты экзамена). В основной модели предсказания баллов есть отдельные признаки по паттернам поведения пользователя и онлайн-граф знаний по предметам, позволяющий отслеживать уровень освоения каждой темы предмета.
2. Основная модель также отдает вероятностную дельту прироста баллов в нескольких горизонтах: 1d, 3d, 7d, 14d, 30d, 60d, 90d. Это отражает комфортный диапазон нагрузки для конкретного ученика, с учетом его лучших паттернов и подходов к освоению материала. Дополнительно у модели есть несколько побочных выходов, которые выдают отражают различные поведенческие метрики состояния пользователя и тренды этого состояния.
3. Вторая модель попроще. Она берёт данные о текущем состоянии ученика и сравнивает их с доступными учебными материалами. Задача — найти то, что сейчас подойдёт лучше всего: поможет продвинуться в результатах и при этом не выбьет из комфортного ритма.
4. При этом, дополнительные выходы основной модели, отвечающие за состояние пользователя, остаются консервативными, если он следует плану. А если он наоборот от него отходит, то они отражают реальные причины изменения состояния: выгорание, перерыв в подготовке, забывание, расфокус и так далее.
С точки зрения разработки, модели валидировали множество данных и промежуточных состояний, выстроили пайплайны и тщательно подобрали коэффициенты в комбинированном loss. При этом, баланс между разными задачами в loss находятся достаточно эффективно через многократные симуляции на историях реальных пользователей с аугментацией, добавлением шума и удалением части истории.
На выходе получается индивидуальный план, который за счёт хитрых инженерных трюков учитывает и тот самый идеальный путь к максимальным баллам на экзамене, и индивидуальные особенности конкретного пользователя, которые должны стать ключом к хорошему проценту следования учеников нашим планам.