İki yıllık Khanmigo dağıtımı, guardrail'ler ve Sokratik prompt'ların yapay zeka destekli öğretimi nasıl yolda tuttuğunu gösteriyor

Mühendislerin ağzından iki yıllık bir dağıtım hikayesi

dev.to'da yayımlanan bir mühendislik geriye dönük incelemesi, Khan Academy ile ilişkili yapay zeka öğretmeni Khanmigo'yu büyük bir okul bölgesiyle iş birliği içinde birden fazla liseye dağıtmak için yürütülen iki yıllık çabayı anlatıyor. Bu yazı bir araştırma çalışması değil; üretken bir model canlı sınıflarla buluştuğunda neyin bozulduğuna ve ekibin sistemi kullanılabilir, güvenli ve hızlı tutmak için hangi mimari kararlara vardığına dair bir uygulayıcının anlatısı.

Ekibin plan yaparken göz önünde bulundurduğu başarısızlık biçimleri

Yazıya göre naif entegrasyonlar öngörülebilir biçimlerde başarısız oluyor. Öğrenciler sistemi hemen yoklamaya başlıyor ve sıkı alan kısıtlamaları olmayan bir öğretmen, temel kavramı öğretmek yerinealfa ödevini kelimesi kelimesine çözme konusunda memnuniyetle yardımcı oluyor — okul üniforması giymiş bir prompt enjeksiyonu sorunu. Tek bir uydurulmuş fizik formülü veya izlenen bir sınıfta uygunsuz bir yanıt, eğitimcilerin güvenini anında yok edebilir.

Kısıtlamalar güvenliğin ötesinde hızla birikiyor. Okul BT departmanları COPPA ve FERPA gibi gizlilik rejimlerini karşılamak zorunda; yazar buna göre bu, rafından indirilmiş bulut API çağrılarını eleniyor kılıyor. Sistemin ayrıca bir saniyenin altındaki yanıt hedefleri, katı güvenlik filtreleme, eyalete özel müfredat uyumu ve devlet okullarının Wi-Fi gerçekleriyle denge kurması gerekiyor. Geleneksel eğitim teknolojisi de eleştiriliyor: katı karar ağaçları ve çoktan seçmeli döngüler ileri düzeydeki öğrencileri sıkarken zorlananları çaresiz bırakıyor.

Cevap üretimi yerine Sokratik iskele

İncelemenin merkezindeki ders, zihinsel modelde üretken tamamlamadan pedagojik iskeleye bir kayma. Ekibi modeli cevapları dağıtan bir kahin olarak konumlandırmak yerine, öğrencileri sorular üzerinden yönlendiren Sokratik bir öğretmen olarak yapılandırmış. Model bir prompt'u görmeden önce, çevresindeki bir orkestrasyon katmanı davranış kuralları, her öğrencinin ilerlemesine dair gerçek zamanlı bağlam ve deterministik güvenlik kontrolleri enjekte ediyor.

Kapıyı kontrol eden middleware

Somut olarak, yazı her öğrenci prompt'unu yakalayan bir Node.js middleware hattını adım adım anlatıyor. Prompt'lar uzunluk açısından sınırlandırılıyor, güvenlik filtrelerine karşı taranıyor — kontrolü geçemeyen istekler doğrudan reddediliyor — ve ardından veritabanından çekilen pedagojik durumla zenginleştiriliyor. Eşlik eden sistem prompt'u, öğrencinin yeterlilik düzeyinin yanına asla doğrudan cevap vermemeye dair açık bir talimat yerleştiriyor. Yukarı akış model çağrısı bilinçli olarak kısıtlanmış: düşük bir temperature ayarı (örnek kodda 0.3) ve bir token tavanı var; yazar bunun uydurulmuş yanıtları azalttığını ve binlerce eşzamanlı oturumda tonu tutarlı tuttuğunu söylüyor. Her etkileşim ayrıca bir denetim deposuna yazılıyor.

Durum, yedek mekanizmalar ve oturum sürekliliği

Öğrenci bağlamı; yeterlilik puanları, güncel ünite ve öğrenme hızını içeren bir profil deposundan geliyor ve 80'in üzerindeki puanları ileri düzeye eşleyen basit bir eşik kullanılıyor. Sorgulama başarısız olursa, middleware oturumu sonlandırmak yerine varsayılan bir profile zarif biçimde geri çekiliyor. Ayrı bir durum yönetimi katmanı, konuşma belleğini ilişkisel bir veritabanına senkronize ediyor; böylece bir matematik probleminin ortasında tarayıcının yenilenmesi veya cihaz değişikliği işlenen konuyu kaybettirmiyor.

Panoya değil sınıfa yönelik telemetri

İzleme ayrıca vurgulanıyor. Ekip, her prompt-yanıt döngüsünü Prometheus metriklerine sarıyor — örnek kodda konu bazında gecikme histogramları görülüyor — ve açıklanan hedef, performans düşüşünü bir öğretmen canlı bir sınıfın önünde arayüzün takıldığını izlemeden önce yakalamak. Her öğretim etkileşimi için gecikme ölçümleriyle birlikte etkileşim metrikleri de kaydediliyor.

Raporun netleştirmedikleri

Belirtmekte fayda var: bu tek taraflı, birinci elden bir anlatı. İncelenen metin mimariye ve operasyonel metriklere odaklanıyor; bağımsız öğrenme çıktısı kanıtı sunmuyor veya ilgili okul bölgesinin adını vermiyor. Mühendislik iddiaları en iyi, kontrollü bir değerlendirme değil tek bir ekibin üretim deneyimi olarak okunmalı.

Neden önemli

Eğitimde yapay zeka tartışmaları çoğunlukla demo üzerine kurulu; bu inceleme ise iki yıllık dağıtım detayı üzerine kurulu. Aktarılabilir örüntü Khanmigo'ya özgü değil: modeli bir orkestrasyon katmanıyla kısıtlayın, deterministik kontrolleri modelin dışında uygulayın, kullanıcı durumunu açıkça taşıyın, her şeyi loglayın ve kullanıcıların gerçekte bulunduğu ortamlarda gecikme için ölçüm yapın. Düzenlenmiş, yüksek güven gerektiren ortamlara — sınıflar, sağlık, finans — LLM özellikleri gönderen her ekip için ürün, temel model değil guardrail'ler ve gözlemlenebilirliktir. Rapor ayrıca yapay zekanın öğretmenlerin yerini alacağı çerçevesini sessizce çürütüyor: en zor mühendislik işi, öğretmenin öğrenci yerine öğrenmeyi reddetmesini sağlamaya harcandı.