적응형 학습:기술이 교육의 장벽을 허물고 있는 방법

네트워킹 시스템,서비스 및 소프트웨어 회사인 시에나의 수석 부사장 겸 최고 기술 책임자.

게티

전염병의 발병은 교실을 재구성하고 교육을 향상시키는 개념 인 적응 학습을 불러 일으켰습니다. 적응 형 학습에는 개인화 된 기술 기반 교육 방법을 사용하는 것이 포함됩니다. 이 모델은 학생들이 학습 스타일,속도 및 선호도의 차이에도 불구하고 성공할 수있는 동등한 기회를 갖도록합니다.

적응형 학습 시스템을 갖추면 디지털 콘텐츠에 대한 학생의 성과와 반응을 실시간으로 분석하고 해당 데이터를 기반으로 수업을 수정할 수 있습니다. 예를 들어,학생이 특정 과목이나 수업에 계속 어려움을 겪고 있다면 네트워크는”메모”를 취하고 학습 경험을 학생의 개별 요구에 맞게 조정합니다.

적응형 학습 시스템은 인공지능,스트리밍 및 보관된 비디오,몰입형 혼합 현실,게임화 시스템 등 다양한 기술을 결합합니다. 그러나 이러한 대역폭 집약적 인 응용 프로그램을 동시에 사용하면 네트워크에 더 큰 부담이 생기고 원격 학습,교육 및 홈 네트워크가 증가합니다. 이러한 트래픽 서지에 대비하지 않은 교육 기관 및 가정 교실은 계획되지 않은 네트워크 혼잡 또는 중단이 발생할 수 있습니다—종종 온라인 시험 중과 같이 최악의 순간에 발생할 수 있습니다.

적응형 학습이 번창하려면 기본 통신 네트워크가 변화하는 최종 사용자 요구에 자동으로 적응하도록 프로그래밍되어야 합니다.

프로그래밍 기능 주입

적응형 학습 애플리케이션은 일반적으로 학군의 데이터 센터 또는 퍼블릭 클라우드에 보관됩니다. 그들은 빠르고 탄력적이며 신뢰할 수있는 네트워크에 의존하므로 학생들은 언제 어디서나 응용 프로그램에 액세스 할 수 있습니다. 대역폭 혼잡,대기 시간 문제 또는 주요 중단이있을 때 학생들은 성능에 영향을 줄 수있는 교육 시간 손실에 직면 할 수 있습니다. 디지털 교육 센터의 설문 조사에서,케이-12 지구 응답자의 거의 3 분의 1 은 네트워크의 신뢰성에 대한 우려가 밤에 그들을 유지했다.

프로그래밍 가능한 네트워크 인프라를 통해 네트워크는 소프트웨어 인텔리전스 계층으로 정적에서 동적으로 변환됩니다. 이 계층은 네트워크 인프라에서 원격 분석을 감시하고 연결 끊김,드롭 아웃,혼잡 및 대기 시간을 방지하기 위해 실시간으로 의사 결정을 내릴 수 있습니다. 프로그래밍 가능한 인프라는 필요에 따라 연결 및 용량을 다시 라우팅하고 사용자 경험의 지연 또는 지연을 방지 할 수 있도록 적응 형 학습이 가능한 프로그래밍 가능한 패브릭이 필요합니다. 이를 통해 네트워크는 실시간 성능 데이터를 사용하여 조정하고 필요에 따라 재구성하여 그 위에 실행되는 적응 형 학습 응용 프로그램을 지원할 수 있습니다. 이를 통해 학생과 교사는 연결되어있을뿐만 아니라 더 몰입적이고 매력적인 학습 환경의 혜택을 누릴 수 있습니다.

빅 데이터=빅 인사이트

프로그래밍 가능한 인프라에서 상당한 양의 데이터가 생성됩니다. 이”빅 데이터”는 리소스 소비,트래픽 패턴,연결 지연 또는 지연을 유발할 수있는 취약성 등에 대한 추세를 밝히는 데 사용할 수 있습니다. 이 정보를 통해 네트워크는 시간이 지남에 따라 변화하는 요구를 자동으로 배우고 조정할 수 있습니다. 기본적으로 네트워크는 대량의 데이터를 실행 가능한 통찰력으로 전환하여 필요에 따라 자동으로 조정하도록 네트워크를 지시할 수 있습니다. 네트워크는 또한 작은 데이터를 제공하며,이는 고객(이 경우 교육 기관)이 결합 된 그룹 레슨과 같은 이벤트를 충당하기 위해 추가 네트워크 용량을 필요로하는 것과 같은 간단한 순간입니다. 이러한 이벤트에는 강력한 분석을 통해 신속한 네트워크 응답이 필요합니다.

이 정보를 통해 네트워크 공급자와 데이터 센터 운영자는 실시간으로 사용자의 요구에 안전하게 반응하는 데이터 기반 정책을 실행할 수 있습니다. 의사 결정이 내려지면 운영자 또는 미리 정의 된 정책을 사용하는 자동화 된 시스템이 네트워크를 최적화하기 위해 필요에 따라 개입하고 승인하거나 변경할 수 있습니다.

최고 성능을 위한 자동화

인적 오류가 네트워크 다운타임의 주요 원인입니다. 정보 기술 인텔리전스 군단의 서버 신뢰성에 대한 2018 년 설문 조사에 따르면 인적 오류가 네트워크 다운 타임의 58%를 차지합니다. 네트워크 분석,인텔리전스 및 자동화는 모두 액세스 컨트롤러 로드,라우터 프로비저닝 또는 트래픽 엔지니어링 터널을 구성하여 전송을 최적화하고 혼잡을 완화하는 등의 작업을 수행할 때 오류를 제거하고 성능을 개선하는 데 도움이 됩니다.

소프트웨어 정의 제어를 통해 여러 네트워크를 자동화하는 기능은 최고 성능을 보장하는 데 중요합니다. 네트워크가 아피스와 상호 운용되고 데이터를 효율적이고 신속하게 지점 간에 이동할 수 있는 경우 적응형 학습 응용 프로그램이 원활하게 실행될 수 있습니다. 적응 가능한 네트워크 프레임 워크를 통해 운영자는 네트워크 관리를 단순화하고 여러 공급 업체 또는 도메인이있는 하이브리드 네트워크에서도 엔드 투 엔드 자동화를 만들 수 있습니다.

모션의 적응 학습

학생과 강사가 클라우드 기반 기술로 이동성을 가능하게 할 때 물리적 교실의 제약으로 인해 더 이상 학습에 장벽이 생기지 않습니다. 적응 형 학습을 위해 학생들은 언제 어디서나 학습 할 수있는 유연성을 제공하는 태블릿,스마트 폰 및 랩톱을 포함한 올바른 장치를 갖추고 있어야합니다.

학교 및 기타 교육 기관은 적응 학습을 수용하고 있습니다. 투자를 최대한 활용하려면 서비스 제공 업체와 협력하여 연결 문제를 미리 해결하고 네트워크 인프라가 소프트웨어 인텔리전스 및 프로그래밍 기능으로 구축되어 원격 및 디지털 학습의 변화하는 요구에 적응할 수 있도록해야합니다.

나는 자격이 있습니까?

링크드 인에 나를 따르라. 내 웹 사이트를 확인하십시오.