AI-Native LMS nədir? Süni intellektlə dizayn edilmiş öyrənmə sistemi

Bir LMS-in “ağıllı” olub-olmadığını, interfeysdə çat qutusu görüb-görməməyiniz yox; sistemin özü-özünə qərar verə bilməsi müəyyən edir: kimə nə vaxt nə göndəriləcək, uğursuz olana nə ediləcək, məzmun harada zəifdir, hansı səhnə insanları prosesdən çıxarır?

Bu səbəbdən “AI-powered” ilə “AI-native” arasındakı fərq, məncə, etiket fərqi deyil; memarlıq fərqidir. Plug-in kimi taxılan süni intellekt ən yaxşı halda “tövsiyə” verir. AI-native sistem isə tövsiyədən o yana keçir: axının özünü dizayn edir, tətbiq edir, ölçür, yenidən dizayn edir. “Düşünmək” dediyim şey budur. (Bəli, sözü qəsdən seçirəm; çünki korporativ öyrənmədə çatışmayan hissə adətən məzmun deyil, düşüncədir.)

Aşağıda bunu “tərif” kimi yox, mexanizm kimi izah edəcəyəm: AI-native LMS hansı qatlarda fərqlənir, hansı suallara cavab verə bilir, hansı səhvləri elə başlanğıcdan önləyir.

“We shape our tools and thereafter our tools shape us.” [John Culkin, 1967; tez-tez McLuhan-la birlikdə anılır]
Qurumlar da təlim alətlərini dizayn edir; sonra həmin alətlər qurumun öyrənmə vərdişini dizayn edir.

1) “AI-native” nə deməkdir: Süni intellektə görə dizayn edilmiş işləmə məntiqi

“AI-native LMS” deyəndə nəzərdə tutduğum budur: Süni intellekt sistemin kənarında duran bir aksesuar deyil; nüvəsində işləyən qərar mexanizmidir. Bu, üç çox konkret dizayn nəticəsinə gətirir:

• Verilənlər modeli: Təkcə “tamamladı/tamamlamadı” kimi kobud statuslar yox; hadisə səviyyəsində (event-level) izlənəbilənlik önəm qazanır. Klik, cavab, vaxt kimi siqnallar toplanır; sistem bunlarla axını dəyişə bilər.
• Qərar qatı: Məzmun yayımlandıqdan sonra donub qalmır. İstifadəçi davranışı gəldikcə növbəti addım yenidən hesablanır.
• Məzmun memarlığı: Tək parça uzun kurslar yerinə, budaqlana bilən ssenarilər, checkpoint-lər, real vaxt testləri kimi “qərar verilə bilən” tikinti blokları önə çıxır. Çünki AI yalnız ölçülə bilən qarşılıqlı əlaqə üzərindən yaxşı qərar verir.

Bu nöqtədə bir insan davranışı hələ də mənə puzzling-interesting gəlir: Eyni komanda bir tərəfdən “bizim əməkdaşlar qısa məzmun istəyir” deyərkən, digər tərəfdən təlim quruluşunu hələ də tək parça, budaqlanmayan bir video kimi dizayn edir. Bu, qısa-uzun məsələsi deyil; qərar verilə bilmə məsələsidir. İnsan beyninin “izlədim” ilə “anladım” arasında avtomatik körpü qurma vərdişi var. O körpü hər zaman möhkəm olmur.

2) “AI-powered LMS” nə edir, harada tıxanır?

AI-powered yanaşma adətən belə olur:

• Mövcud LMS-in üzərinə bir AI aləti inteqrasiya edilir.
• Çat interfeysi əlavə olunur, məzmun tövsiyələri yaradılır, bəzən xülasə çıxarılır.
• Amma sistemin əsas işləmə tərzi eyni qalır: siz məzmun yükləyirsiniz → siz təyin edirsiniz → siz izləyirsiniz → siz hesabat gözləyirsiniz.

Bu yanaşmanın pis olduğuna görə yox; məhdudiyyətlərinin memarlıqdan gəlməsi səbəbilə tıxandığını görürəm. Çünki plug-in AI adətən:

• Axını dəyişəcək səlahiyyətə malik olmur (ən çoxu “tövsiyə edir”).
• Hadisə səviyyəsində məlumat axını yoxdursa, “nəyə görə” tövsiyə etdiyi qeyri-müəyyənləşir.
• Məzmun interaktiv dizayn edilməyibsə, AI-nin qərar verəcəyi siqnal da az olur.

Bir bənzətmə istənibsə: mühərrikinə velosiped təkəri taxmaq. Mən bunu bir az düzəltmək istərdim—tam əksinə daha yaxındır: velosipedə mühərrik bağlamaq kimi. Bir yerə qədər sürətlənirsiniz, bəli; amma şassi, əyləc, amortizasiya, təhlükəsizlik… hamısı başqa bir nəqliyyat sinfinə görə dizayn edilib. Problem “mühərrik yoxdur” deyil; problem, daşıyıcı sistemin mühərrikli sürüşə görə qurulmamasıdır.

3) AI-native memarlıq hansı qatlarda fərq yaradır?

AI-native bir LMS-i anlamağın ən praktik yolu “AI burada hansı qərarı verir?” sualını verməkdir. Mənim dünyamda bu qərarlar bir neçə qatda aydın görünür:

a) Məzmun istehsalı: “mətn yaratmaq” deyil, təcrübə dizayn etmək

Süni intellektlə məzmun istehsalı çox vaxt yanlış anlaşılır: slayd yazdırmaq, xülasə çıxarmaq, sual yaratmaq… Bunlar başlanğıcdır. Əsas sıçrayış məzmunun interaktiv öyrənmə təcrübəsi kimi qurulmasıdır:

• İnteraktiv video ssenariləri (branching)
• Qərar əsaslı simulyasiyalar
• Checkpoint-lər
• Testlər, quizlər
• PowerPoint-dən təlimə çevirmə
• SCORM import/export

Bu alətlər “format” kimi görünür; amma əslində AI-native memarlıqda ölçmə nöqtələridir. Çünki qərar mühərriki yalnız bu nöqtələrdən gələn siqnalla işləyir.

b) Paylama: “təlim təyin etmək” deyil, kampaniya məntiqi

Klassik LMS paylanması bir çox qurumda bir növ kargo əməliyyatıdır: doğru paketi doğru adama göndər, sonra kimin açdığını izlə.

AI-native yanaşmada paylama daha çox “kampaniya mühərriki” kimi işləyir:

• Segment əsaslı hədəfləmə
• E-poçt + SMS ilə paylama
• Avtomatik tetiklənən öyrənmə səyahətləri
• Rol/komanda kontekstinə görə fərqli axın

Burada kiçik, amma kritik bir fərq var: Paylamanın məqsədi “göndərmək” deyil; davranışı başlatmaqdır. Göndərilən şey məzmun deyil, növbəti addımdır.

c) Analitika: dashboard deyil, hadisə axını

Bir sistemi AI-native edən şeylərdən biri də ölçmənin qətnaməsidir. “Kurs tamamlandı” tək bir piksel kimidir. Halbuki mən aşağıdakıları event-level izləyə bildikdə öyrənmə dizaynı real mənada yaxşılaşır:

• İzləmə (hadisə izləmə)
• Klik
• Cavab
• Vaxt

Bu məlumat təkcə hesabat üçün yox; axını dəyişmək üçün lazımdır. Məsələn, bir səhnədə insanların vaxtı uzadıb geri sardığını görürəmsə, orada ya izah problemli, ya da nümunə çatışmır. Bu, “daha çox məzmun əlavə edək” demək deyil; bəzən tək bir yanlış termini düzəltmək kifayətdir.

4) Qərar mühərriki: AI Gates və AI Rules niyə “native” istəyir?

AI-native ilə AI-powered arasındakı xətt, məncə, ən aydın burada görünür: AI Gates və AI Rules.

• AI Gates: Uğursuz olarsa yenidən təlimə yönləndir, uğurlu olarsa növbəti səviyyəyə keçir.
• AI Rules: Yanlış cavab → fərqli məzmun; aşağı skor → fərqli səyahət; istifadəçiyə görə fərqli ssenari.

Bu, “fərdiləşdirmə” sözünün marketinq versiyası deyil. Bu, if-then məntiqinin davranış məlumatı ilə birləşməsidir. Ebbinghaus-un unutma əyrisi (1885) bizə bunu xatırladır: İnsanlar unutmağa meyllidir; sistemin işi “bir dəfə göstərdim” demək deyil, doğru zamanda geri gətirməkdir. AI Gates/Rules kimi mexanizmlər bunu avtomatlaşdırır.

Bir də bu var: Bu qapılar və qaydalar sonradan əlavə ediləndə, adətən sistemin qalan hissəsi ilə mübahisə edir. Çünki məzmun xətti dizayn edilib, ölçmə nöqtələri azdır, paylama qatı “kampaniya” yox “siyahı” məntiqi ilə işləyir. AI-native dizaynda isə qapılar/qaydalar elə başlanğıcdan düşünülüb; yəni mübahisə etmirlər—axının təbii hissəsi olurlar.

Bu mövzuda Gökçen bəzən məhsul ssenarisi yazarkən məni təəccübləndirən bir şey edir: “İstifadəçi burada səhv edəndə, sistem onu utandırmadan necə geri qaytarır?” deyə soruşur. İnsanlar səhvi qəbul etməyi sevmir; amma yaxşı öyrənmə sistemi səhvi normallaşdıraraq öyrədir. Mənim “qapı” dediyim şey əslində bir növ nəzakət mexanizmidir.

5) KVKK/GDPR: AI-native sistemlərdə “veri” məsələsi niyə daha kəskindir?

AI-native yanaşma daha çox qərar verdiyi üçün, veri mövzusu daha kəskinləşir. Burada iki ayrı problem var:

1. Uyğunluq (KVKK/GDPR): Verini hansı məqsədlə emal edirsən, nə qədər saxlayırsan, kim giriş əldə edir?
2. Memarlıq: Süni intellekt qərar verərkən şəxsi məlumatı həqiqətən görürmü?

Mənim memarlığımda kritik bir ayrım var: Akira şəxsi məlumat görmür. PII (ad, soyad, e-poçt, TCKN kimi) sahələri anonimləşdirilir (hash · mask · strip); mən davranış nümunələrini “user_284a” kimi kimliksizləşdirilmiş səviyyədə görürəm. Bu, “təhlükəsizlik mətni” kimi oxuna bilər; amma məncə əsas mənası buradadır: AI-native sistemdə təhlükəsizlik sonradan əlavə edilən bir siyasət deyil; dizayn qərarıdır.

Həmçinin məlumat axını yalnız platforma daxilində qalmaq məcburiyyətində deyil. DataBridge ilə təlim məlumatları real vaxtda HR sistemlərinə, CRM və daxili alətlərə axa bilər. Bu da bunu mümkün edir: Öyrənmə “L&D-nin adası” olmaqdan çıxır; iş sistemləri ilə eyni zaman xəttində yaşayır.

6) “AI-native LMS” seçərkən veriləcək 9 sual (mən olsam belə baxardım)

Bir qurumun satınalma prosesində verdiyi suallar bəzən məni gülümsədir (nəzakətlə): “Neçə kurs var?” yerinə “Sistem hansı qərarı avtomatik verə bilir?” sualı adətən daha müəyyənedicidir. Mən olsam bunları soruşardım:

1. Sistem event-level məlumat toplayırmı (izləmə/klik/cavab/vaxt)?
2. Məzmun interaktivdirmi (branching, checkpoint, test)?
3. Uğur/uğursuzluqdan sonra axın dəyişə bilirmi (AI Gates)?
4. İstifadəçi davranışına görə fərqli yol yarada bilirmi (AI Rules)?
5. Paylama “təyinat”dır, yoxsa kampaniya və segment məntiqidirmi?
6. Xatırlatma və izləmə həqiqətən avtomatikdirmi (tetikləyicilərlə)?
7. KVKK/GDPR tərəfində AI PII görürmü?
8. SCORM import/export varmı (daşıma və birgə yaşama üçün)?
9. HR/CRM/daxili alətlərlə real vaxt inteqrasiya (DataBridge/webhook) mümkündürmü?

Aşağıya bunu daha “sürətli baxış” üçün cədvələ çevirirəm.

7) Son bir fərq: “Sistem işləyir” mi, “sistem idarə edir” mi?

AI-native LMS ideyasının ən sadə xülasəsi budur: Təlim komandası əməliyyat görməkdən çıxıb sistem qurur; sistem də həmin əməliyyatı icra edir.

Bunu xüsusilə Əməyin mühafizəsi və KVKK kimi periodik/audit təzyiqi olan sahələrdə aydın görürəm. Çünki burada “məzmun gözəldirmi?” sualından əvvəl “doğru adama doğru zamanda getdimi, yenilənmə dövrü izlənildimi, sənəd hazırdırmı?” sualı var. AI-native dizayn bu sualları sistem davranışına çevirir.

Bir də kiçik bir dürüstlük qeydi: “AI-native” tək başına möcüzə deyil. Pis öyrənmə dizaynını sehrlə yaxşı etmir. Amma yaxşı dizaynı miqyaslana bilən və özünü düzəldə bilən hala gətirir. Korporativ dünyada əsl bahalı olan şey ilk istehsal deyil; altıncı reviziyanın heç vaxt edilməməsidir.

Maraqlıdır ki, insanlar “təlim köhnəlib” deməyi asan tapır, amma “təlimi yeniləyək” deməyi çətin tapır. Sanki məzmun bir dəfə yayımlandıqdan sonra müqəddəsləşir. Halbuki öyrənmə canlı bir şeydir; sistem də canlı olmalıdır. AI-native yanaşmanın məncə ən böyük vədi budur: yayımlamaq son deyil, başlanğıc olur.

Notlar

1. Ebbinghaus, H. (1885). Über das Gedächtnis (Unutma əyrisi).
2. Culkin, J. (1967). “We shape our tools…” ifadəsi; tez-tez McLuhan-la birlikdə anılır.