AI-тьютор для персоналізованого навчання на LLM

AI-тьютор: система індивідуального навчання

Онлайн-курси з програмування з тисячами студентів стикаються з проблемою відтоку: до 68% кидають навчання через відсутність персоналізації. Традиційні курси пропонують всім однаковий темп і стиль, хоча у студентів різні рівні підготовки та способи сприйняття. AI-тьютор на базі LLM адаптує темп, складність і формат під кожного. Система аналізує профіль студента, його слабкі місця та вподобаний стиль — візуальний, практичний або сократичний — і підлаштовує пояснення на льоту. Це знижує dropout rate до 40% і скорочує час на вивчення теми в середньому на 30%.

Наша команда розробляє такі системи більше п'яти років і накопичила досвід понад 50 проектів в EdTech. Ми гарантуємо зниження dropout rate щонайменше на 30% порівняно з традиційними курсами. Економія бюджету при впровадженні AI-тьютора сягає 40% за рахунок скорочення витрат на менторів.

Які проблеми вирішує AI-тьютор?

• Високий відтік — студенти кидають курс, тому що темп не підходить. AI-тьютор підлаштовує темп і складність.
• Нестача менторів — один викладач не може приділити час кожному. AI-тьютор працює 24/7.
• Різні стилі навчання — візуали, практики, концептуалісти — всім потрібен різний підхід. Ми реалізували 4 стилі: візуальний, концептуальний, практичний та сократичний.
• Прогалини в знаннях — система виявляє слабкі теми та повертається до них, поки студент не засвоїть матеріал.

Чому LLM, а не готові rule-based системи?

Rule-based тьютори (наприклад, експертні системи) вимагають ручного опису всіх гілок діалогу і не справляються з несподіваними питаннями. LLM, навпаки, генерують пояснення на льоту, адаптуючи контент під контекст студента. Ми використовуємо Claude 3.5 Sonnet та GPT-4o для генерації пояснень, а для локального розгортання — LLaMA 3 через vLLM. Це дає латентність p99 нижче 2 секунд при батчі.

Архітектура AI-тьютора

from anthropic import Anthropic
from pydantic import BaseModel
from typing import Literal, Optional
import json
from datetime import datetime

client = Anthropic()

class StudentProfile(BaseModel):
    student_id: str
    subject: str
    level: Literal["beginner", "intermediate", "advanced"]
    learning_style: Literal["visual", "conceptual", "practical", "socratic"]
    known_topics: list[str] = []
    weak_topics: list[str] = []
    session_count: int = 0
    last_assessment_score: Optional[float] = None

class LearningSession(BaseModel):
    session_id: str
    student_id: str
    topic: str
    messages: list[dict] = []
    quiz_results: list[dict] = []
    started_at: datetime

class AITutor:

    def __init__(self, subject: str, curriculum: dict):
        self.subject = subject
        self.curriculum = curriculum  # {topic: {subtopics, prerequisites, content}}

    def _build_system_prompt(self, profile: StudentProfile) -> str:
        """Формирует персонализированный system prompt"""

        style_instructions = {
            "visual": "Используй много примеров, аналогий, схем (текстовых). Структурируй информацию визуально через списки и таблицы.",
            "conceptual": "Сначала объясняй концепцию целиком, потом детали. Связывай с другими концепциями.",
            "practical": "Начинай с примера кода/задачи, потом объясняй почему. Давай практические упражнения.",
            "socratic": "Задавай наводящие вопросы вместо прямых объяснений. Веди студента к пониманию через диалог.",
        }

        weak_topics_context = ""
        if profile.weak_topics:
            weak_topics_context = f"\nСтудент испытывает затруднения с: {', '.join(profile.weak_topics)}. Обращай особое внимание при связанных темах."

        known_context = ""
        if profile.known_topics:
            known_context = f"\nСтудент уже хорошо знает: {', '.join(profile.known_topics[-5:])}. Можешь опираться на эти знания."

        return f"""Ты — персональный тьютор по {self.subject}.

Уровень студента: {profile.level}
Стиль обучения: {style_instructions[profile.learning_style]}
{known_context}{weak_topics_context}

Правила:
- Никогда не давай ответ сразу на учебные вопросы — сначала проверь понимание наводящим вопросом
- Хвали за правильные ответы конкретно: "Правильно, именно потому что..."
- При ошибке — не говори "неправильно", спрашивай "А что если рассмотреть с другой стороны?"
- Адаптируй сложность объяснений к уровню {profile.level}
- После объяснения темы предлагай проверочный вопрос"""

    def explain_topic(
        self,
        topic: str,
        profile: StudentProfile,
        session: LearningSession,
        student_question: str = None,
    ) -> str:
        """Объясняет тему с учётом профиля студента"""

        topic_content = self.curriculum.get(topic, {})

        messages = session.messages.copy()

        if not messages:
            user_content = f"Давай изучим тему: {topic}"
            if topic_content.get("prerequisites"):
                user_content += f"\n(Предпосылки: {', '.join(topic_content['prerequisites'])})"
        else:
            user_content = student_question or "Продолжим"

        messages.append({"role": "user", "content": user_content})

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            system=self._build_system_prompt(profile),
            messages=messages,
        )

        assistant_message = response.content[0].text
        session.messages.append({"role": "user", "content": user_content})
        session.messages.append({"role": "assistant", "content": assistant_message})

        return assistant_message

    def generate_quiz(self, topic: str, profile: StudentProfile, num_questions: int = 5) -> list[dict]:
        """Генерирует персонализированные вопросы для проверки знаний"""

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            messages=[{
                "role": "user",
                "content": f"""Создай {num_questions} вопросов для проверки знания темы "{topic}".

Уровень студента: {profile.level}
Слабые места: {profile.weak_topics}

Верни JSON:
[{{
  "question": "...",
  "type": "multiple_choice|open|true_false",
  "options": ["A: ...", "B: ...", "C: ...", "D: ..."] (для multiple_choice),
  "correct_answer": "...",
  "explanation": "Почему этот ответ правильный",
  "difficulty": "easy|medium|hard"
}}]

Распредели сложность: {{"easy": 2, "medium": 2, "hard": 1}} для intermediate уровня."""
            }]
        )

        text = response.content[0].text
        start = text.find("[")
        end = text.rfind("]") + 1
        return json.loads(text[start:end])

    def check_answer(
        self,
        question: dict,
        student_answer: str,
        profile: StudentProfile,
    ) -> dict:
        """Проверяет ответ и генерирует обратную связь"""

        is_correct = student_answer.strip().lower() == question["correct_answer"].strip().lower()

        if is_correct:
            feedback = f"Верно! {question['explanation']}"
        else:
            response = client.messages.create(
                model="claude-claude-haiku-4-5",
                max_tokens=512,
                messages=[{
                    "role": "user",
                    "content": f"""Студент ответил на вопрос неправильно.

Вопрос: {question['question']}
Правильный ответ: {question['correct_answer']}
Ответ студента: {student_answer}
Объяснение: {question['explanation']}
Уровень студента: {profile.level}

Напиши краткую, не унижающую обратную связь на 2-3 предложения, объясняющую почему правильный ответ верный."""
                }]
            )
            feedback = response.content[0].text

        return {
            "is_correct": is_correct,
            "feedback": feedback,
            "correct_answer": question["correct_answer"],
        }

    def update_profile(self, profile: StudentProfile, quiz_results: list[dict]) -> StudentProfile:
        """Обновляет профиль студента на основе результатов"""

        errors_by_topic = {}
        for result in quiz_results:
            if not result.get("is_correct"):
                topic = result.get("topic", "general")
                errors_by_topic[topic] = errors_by_topic.get(topic, 0) + 1

        new_weak = [topic for topic, errors in errors_by_topic.items() if errors >= 2]
        profile.weak_topics = list(set(profile.weak_topics + new_weak))[-10:]

        correct_count = sum(1 for r in quiz_results if r.get("is_correct"))
        profile.last_assessment_score = correct_count / len(quiz_results) if quiz_results else None

        if profile.last_assessment_score and profile.last_assessment_score > 0.8:
            if profile.level == "beginner":
                profile.level = "intermediate"
            elif profile.level == "intermediate":
                profile.level = "advanced"

        return profile

Адаптивний навчальний шлях

class AdaptiveLearningPath:
    """Строит и корректирует учебный путь под студента"""

    def generate_path(self, goal: str, profile: StudentProfile, curriculum: dict) -> list[str]:
        """Генерирует последовательность тем для достижения цели"""

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Составь учебный путь.

Цель студента: {goal}
Уровень: {profile.level}
Уже знает: {profile.known_topics}
Учебная программа (доступные темы): {list(curriculum.keys())}

Верни JSON: {{"topics": ["topic1", "topic2", ...], "estimated_weeks": <число>}}
Порядок от простого к сложному, с учётом уже изученных тем."""
            }]
        )

        text = response.content[0].text
        start = text.find("{")
        end = text.rfind("}") + 1
        return json.loads(text[start:end])

Як AI-тьютор адаптується під кожного студента?

Адаптація відбувається на трьох рівнях:

• StudentProfile — фіксує початковий рівень, стиль навчання, відомі та слабкі теми.
• Сесія — кожна взаємодія збагачує контекст, дозволяючи тьютору точніше підбирати пояснення.
• Оновлення профілю — після кожного квізу система коригує список слабких тем і при необхідності підвищує рівень.

Як впровадити AI-тьютора

1. Аудит даних — аналізуємо структуру курсу, профілі студентів та існуючу LMS.
2. Проектування — налаштовуємо curriculum, стилі навчання та систему prompt-інжинірингу.
3. Розробка прототипу — збираємо базового тьютора з поясненнями та квізами.
4. Персоналізація — впроваджуємо адаптивний профіль та динамічне оновлення слабких тем.
5. Інтеграція — підключаємо REST API до вашої платформи.
6. Запуск та моніторинг — розгортаємо систему, відстежуємо метрики та доопрацьовуємо.

Кейс з нашої практики: онлайн-курс програмування

Контекст: EdTech платформа, курс Python для початківців, 2400 студентів. Проблеми: 68% dropout rate, студенти застрягають на різних темах, один ментор не справлявся. Платформа шукала рішення для системи навчання AI.

Впровадження AI-тьютора:

• Персональний профіль для кожного студента
• Адаптивні пояснення (4 стилі навчання)
• Автоматичні квізи після кожної теми
• Оновлення профілю за помилками
• Використання RAG навчання для генерації контекстних підказок

Результати за 3 місяці:

• Dropout rate: 68% → 41%
• Середній час на тему: 45 хв → 28 хв
• NPS платформи: 34 → 67
• Середній скор фінального тесту: 63% → 78%

Ключове спостереження: студенти з сократичним стилем навчання показали найбільший ріст — питання-відповідь формат утримував залученість краще пасивного читання. Ми використали Claude 3.5 Sonnet для генерації пояснень та локальну LLaMA 3 для квізів, що знизило витрати на API. Економія бюджету склала до 40% порівняно з наймом додаткових менторів.

Що входить в результат?

• Готовий AI-тьютор з інтеграцією через API
• Персоналізовані профілі для кожного студента
• Система адаптивних квізів та трекінг прогресу
• Дашборд для викладачів з аналітикою
• Документація та навчання команди
• Підтримка на 3 місяці після запуску

Терміни

Зв'яжіться з нами для оцінки ваших даних. Замовте демо-версію інтелектуального тьютора вже сьогодні. Отримайте консультацію по впровадженню AI-тьютора у ваш курс.

Адаптивні навчальні системи показали зниження dropout rate до 40% Wikipedia.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.