ИИ в онлайн-образовании – инженерный плейбук

Кратко (TL;DR)

ИИ в образовательном продукте делится на две категории, и от того, к какой из них относится функция, зависит почти всё в её реализации: вспомогательные функции, помогающие учиться – автосубтитры, разбивка видео на главы, поиск по нему, ИИ-репетитор, конспекты и планы обучения – относятся к низкому риску и стоят копейки, тогда как оценивающие функции, которые судят ученика – автоматическая проверка заданий, приём и распределение по уровням, прокторинг экзаменов – классифицируются как высокорисковые по EU AI Act и требуют строгого соблюдения норм. Под этим лежит второе разделение: онлайн-образование – единственная сфера, которая одновременно работает в двух режимах: асинхронном видеокаталоге с той же бизнес-моделью «обработай один раз – раздавай вечно», что и у стриминга, и в реальном времени – в живых классах с теми же ограничениями по задержкам, что и у видеоконференций. Поэтому каждую ИИ-функцию нужно ещё и правильно «поставить на часы». Единственное правило, обеспечивающее безопасность всей системы: ИИ может черновать, но решение остаётся за человеком – модель генерирует субтитр, конспект или флаг списывания, а человек доводит субтитр до уровня доступности, утверждает оценку и проверяет флаг, прежде чем он попадёт в протокол. Этот плейбук даёт продакт-менеджеру и инженеру общую карту: каталог функций, два режима работы, уровни риска, выбор «купить или построить», расчёт стоимости на час и шлюзы доступности и данных учеников, которые превращают удобную функцию в юридическое обязательство.

Почему это важно

Рынок большой, а кривая внедрения крутая: в 2026 году мировой рынок онлайн-образования оценивается примерно в 365 млрд долларов при 620 млн активных учащихся, и сегмент с искусственным интеллектом растёт быстрее всех – около 40% в год. К середине 2025 года 84% американских старшеклассников сообщили, что использовали генеративные ИИ-инструменты для учёбы, а ИИ-репетиторы уже обслуживали десятки миллионов учеников. Если вы разрабатываете, управляете или проектируете образовательный продукт – маркетплейс курсов, платформу корпоративного обучения, университетскую LMS, языковое приложение или сервис живого репетиторства – «добавить ИИ» теперь должно быть в вашем роадмапе. За этим стоят реальные инженерные и юридические задачи: какая функция использует какой конвейер, что работает в реальном времени, а что – ночью, что разрешает EU AI Act и какие требования предъявляют законы о доступности и приватности до того, как функция попадёт в руки первого ученика. Этот плейбук отвечает на эти вопросы именно для вертикали онлайн-образования. Он написан так, чтобы продакт-менеджер мог спланировать функцию и оценить её риски без инженерного или юридического образования, а инженер – понять, где именно каждая функция подключается к видео и где она может пойти не так. Глубокие уроки этого раздела – это руководства по компонентам; данный текст – карта вертикали, которая подсказывает, какой из них открыть.

Что на самом деле значит «ИИ в онлайн-образовании»

Если убрать маркетинг, «ИИ в онлайн-образовании» – это каталог конкретных функций, каждая из которых использует видео- или языковой ИИ-конвейер, который можно назвать. Полезно ознакомиться со всем списком до анализа отдельных пунктов, потому что функции делятся на группы, ведущие себя совершенно по-разному.

Первая группа – понимание контента. Автоматическое распознавание речи – технология, превращающая речь в текст, сокращённо ASR – расшифровывает каждую лекцию, а на основе этой расшифровки формируются субтитры, индекс для поиска и автоматические главы, разбивающие часовую запись на навигируемые темы. Vision-language-модель – модель, способная «читать» изображения и видео и отвечать на вопросы о них словами, сокращённо VLM – может пойти дальше и пометить то, что отображается на экране, чтобы ученик мог быстро перейти к моменту, где появляется схема.

Вторая группа – помощь ученику. ИИ-репетитор отвечает на вопросы по курсу, опираясь только на материалы этого курса, а не на всю информацию из интернета, с помощью метода, называемого retrieval-augmented generation (RAG): сначала система находит нужный фрагмент, а затем языковая модель формирует на его основе ответ. Та же логика используется для составления конспектов, карточек, планов обучения и тренировочных вопросов, а комбинация перевода и синтеза речи позволяет дублировать курс на другой язык.

Третья группа – оценка ученика: автоматическая проверка заданий, рекомендации по приёму или определению уровня, а также наблюдение за учениками во время экзамена с целью выявления списывания – то, что в индустрии называют прокторингом. На первый взгляд эта группа выглядит как просто ещё один набор функций. Это не так. Как показывают следующие разделы, она регулируется иным сводом законов и иным инженерным стандартом. Смешать её с первыми двумя группами – самая дорогая ошибка, которую может совершить команда.

Нажмите, чтобы увеличить

Особенность онлайн-образования: двое часов, а не один

Вот структурная мысль, которая связывает «ИИ» именно с «онлайн-образованием» – и которую упускают большинство обзоров. Другие видеопродукты зависят от одного из двух факторов. Стриминговый каталог асинхронен: вы обрабатываете фильм один раз и распространяете его миллионам, поэтому важна только стоимость обработки одного элемента. Видеозвонок – это реальное время: всё должно укладываться в сотню миллисекунд, поэтому критична задержка. Образовательный продукт – единственная сфера, которая работает на обоих часах одновременно, и каждую ИИ-функцию нужно ставить на правильные рельсы.

Первые часы – асинхронный каталог. Записанные лекции, курсы по запросу и архив прошлых сессий работают как стриминговая библиотека: вы расшифровываете, добавляете субтитры, разбиваете на главы, встраиваете материалы и составляете конспекты – всё это делается один раз, результат сохраняется и распространяется навсегда. Экономика здесь – стриминговая, как в плейбуке по разработке OTT-платформ: обработай один раз, раздай многим, и единственный реальный вопрос – стоимость этого однократного прохода, которую мы считаем ниже.

Вторые часы – класс в реальном времени. Живое занятие, репетиторство один на один и живой прокторинг работают в рамках конвейера реального времени – стека WebRTC, обеспечивающего передачу звонков (WebRTC – это технология реального времени для веб-коммуникаций). Живые субтитры, перевод и репетитор сталкиваются с тем же ограничением задержки – до 100 миллисекунд, что и любые другие функции видеоконференции, и подключаются к звонку аналогично – через медиасервер, маршрутизирующий потоки. Эта механика описана в плейбуке по ИИ в видеоконференцсвязи и уроке про ASR-фан-аут на стороне SFU.

Практическое следствие – правило сортировки. Перед тем как создавать любую ИИ-функцию, спросите: на каких часах она работает? Если контент уже существует – выполняйте задачу асинхронно в очереди, где вычисления дешёвые, а медленная, но точная модель вполне допустима; если ситуация живая, вы в рамках бюджета задержки, и нужна другая, быстрая модель. Одна и та же функция – например, субтитры – становится дешёвой пакетной задачей на записанной лекции и сложной задачей в реальном времени в живом классе, и это две принципиально разные разработки. Роадмап онлайн-образования, который не различает эти два режима, в итоге либо пытается запускать пакетные модели в реальном времени, либо переплачивает за скорость там, где можно было подождать.

Нажмите, чтобы увеличить

Главное правило: функция определяет уровень риска

В видеозвонке ключевым ограничением является задержка; в стриминговом каталоге – стоимость; в образовательном продукте – что искусственный интеллект вообще может делать с учеником. Отсюда вытекает простое правило: функция определяет уровень риска, а уровень риска – как вы её проектируете, тестируете, документируете и выводите на рынок. Европа закрепила это правило в законе: EU AI Act – Regulation (EU) 2024/1689 – применяется ко всем поставщикам, чьи системы используются в ЕС, и тем самым устанавливает минимальные стандарты для любого образовательного продукта, ориентированного на европейских учеников. На практике это почти все продукты.

Закон классифицирует ИИ по уровням, и образовательные функции относятся к трём из них.

Нажмите, чтобы увеличить

Верхний уровень – низкий риск, удобство, и в нём – большая часть того, что команды реально хотят выпустить. Расшифровка и субтитры лекций, главы, поиск по видеобиблиотеке, ИИ-репетитор, конспекты, планы обучения и дубляж – всё это помогает ученику, не осуждая его. Закон не накладывает на них жёсткий высокорисковый режим. Их обязанности исходят из других источников – точность, требования доступности и защита персональных данных учеников, подробно рассмотренные ниже в разделе про шлюзы, – а также из обязанности прозрачности по Article 50: ИИ-генерируемый контент и ИИ-чат должны быть явно обозначены как таковые. Это та корзина, которую выпускают первой и быстро.

Средний уровень – высокий риск, и триггер срабатывает точно. В приложении III, пункт 3 Акта перечислены четыре образовательных применения, отнесённые к высокорисковым: ИИ для определения доступа или приёма в образовательное учреждение; ИИ для оценки результатов обучения, включая случаи, когда эти результаты влияют на дальнейший образовательный путь ученика; ИИ для определения подходящего уровня образования, который человек должен получить; и ИИ для мониторинга и выявления запрещённого поведения учащихся во время экзаменов – именно этот случай, известный как прокторинг, прямо назван в законе. Если ваша система выполняет хотя бы одно из этих четырёх функций, она считается высокорисковой, и к ней применяются соответствующие требования: задокументированная система управления рисками, контроль за обучающими данными, обеспечение человеческого надзора по умолчанию, доказанная точность и устойчивость, автоматическое ведение логов, техническая документация и оценка соответствия до вывода системы на рынок. Эти обязательства для систем из приложения III вступают в силу с 2 августа 2026 года. Это не формальность; это принципиально иной продукт – с иной стоимостью и сроками разработки, – и именно эту часть команды часто недооценивают.

Нижний уровень – запрещено. С 2 февраля 2025 года статья 5 Акта запрещает использование ИИ-систем, распознающих эмоции человека на рабочем месте или в образовательных учреждениях, за исключением узких медицинских или безопасностных задач. Это важно напрямую, потому что некоторые инструменты прокторинга и «вовлечённости» рекламируют возможность определять по лицу ученика стресс, внимание или «подозрительные» эмоциональные проявления. В ЕС такая функция не считается высокорисковой, которую можно регулировать, – она прямо запрещена. Обоснование регулятора: распознавание эмоций по выражению лица не имеет надёжной научной базы. Функция «измерять вовлечённость ученика по эмоциям с веб-камеры» – это черта, которую не переступают.

Та же логика применима и за пределами Европы, даже там, где законодательство иное: функция, оценивающая ученика, несёт последствия, которых не несёт ни одна удобная функция, поэтому она требует более высокого стандарта точности, проверки на справедливость, человеческого контроля и ведения записей – независимо от места её внедрения. Закон просто делает эту границу чёткой и закреплённой на уровне права.

Корзина удобства: дёшево черновать, дорого доводить

Начнём с верхнего уровня, потому что именно здесь ценность максимальна, и именно здесь хорошее инженерное решение приносит наибольшую отдачу. Определяющее свойство каждой удобной функции одинаково: ИИ создаёт черновик за копейки, а финальный этап – доведение до отгружаемого результата – остаётся за человеком. Поймите эту схему правильно – и экономика будет отличной; проигнорируйте – и вы получите продукт, который выглядит готовым, но на деле таковым не является.

Субтитры – самый очевидный пример. ASR автоматически засубтитрует записанную лекцию, и черновик действительно полезен. Однако автоматические субтитры сами по себе не являются доступными. Даже лучшие речевые движки достигают точности около 90–95% на чистом аудио общего характера, а автосубтитры YouTube находятся примерно в том же диапазоне. В реальных условиях – акцент, шум в помещении, сложная терминология – точность может сильно упасть. Практика обеспечения доступности считает порогом осмысленного восприятия 99%, и разница между 95% и 99% – это как раз та техническая лексика, которая ученику нужна больше всего. Субтитры с точностью 95% ошибаются примерно в одном слове из двадцати, а на лекции по биохимии это может быть, например, слово «фермент». Поэтому стандарт таков: ASR создаёт черновик за копейки, а человек доводит его до 99% точности для любого видео, которое вы хотите считать доступным. Инженерия расшифровки после черновика описана в уроке про streaming ASR, а конвейер дубляжа и субтитров поверх неё – в уроке про ИИ-дубляж и субтитры.

ИИ-репетитор – второй флагман, и здесь ключевое правило – заземление. Репетитор, отвечающий на основе весов общей модели, рано или поздно выдаст что-то гладкое, но неверное – галлюцинацию. А в обучении уверенно ложный ответ хуже, чем его отсутствие, потому что ученик не сможет его распознать. Решение – retrieval-augmented generation: система сначала извлекает нужный фрагмент из расшифровок и материалов именно этого курса, а затем просит языковую модель ответить, опираясь только на этот фрагмент и ссылаясь на конкретный момент лекции. Ученик получает ответ, который может проверить по источнику, а продукт удерживает репетитора в рамках курса, а не всего интернета. Полная сборка – в уроке про video RAG; вопрос о том, когда общей VLM достаточно, чтобы заменить кастомный конвейер, – в уроке «просто возьмём VLM».

Главы, поиск, конспекты, планы обучения и черновики тестов работают по принципу репетитора: они используют ту же расшифровку и эмбеддинги, генерируют черновик, который ученик или преподаватель могут принять или отредактировать, и стоят недорого, потому что трудоёмкая часть – анализ видео – выполняется один раз при загрузке лекции. Одна оговорка на границе этой категории: как только сгенерированный тест перестаёт быть учебным пособием и начинает выставлять официальную оценку, он переходит в высокорисковую зону. Генерация тренировочных вопросов – это удобство; а выставление оценки за экзамен – уже полноценное оценивание.

«Частая ошибка: выпускать автосубтитры как «доступные». Демо, где автосубтитры просто пробегают по тексту, соблазняет команду поставить галочку «доступно» и двигаться дальше. Потом глухой студент попадает на лекцию, где «миокардиальный» превращается в «мой кардио», и самые важные, плотные десять минут становятся нечитаемыми – а значит, платформа остаётся недоступной и (в ЕС и для государственных учреждений США) не соответствует требованиям. Решение здесь структурное, а не в виде оговорки: относитесь к выводу ASR как к черновику, закладывайте ручную правку до ~99% точности для всего, что вы называете доступным, показывайте студентам, какие видео проверены человеком, а какие – только автоматически, и никогда не позволяйте фразе «у нас есть автосубтитры» заменять реальное обязательство по доступности. Задавайте вопрос к каждой дорожке субтитров: «получит ли глухой студент из этого равный доступ?» – и если честный ответ «нет», она ещё не готова.»

Корзина оценивания: не функция, а отдельный продукт

Высокорисковый уровень – это та зона, где искусственный интеллект в образовании становится по-настоящему сложным, и где большинству команд стоит замедлиться. Здесь сосредоточены три ключевые функции – автопроверка, приём и распределение, прокторинг – и все они обладают свойством, отсутствующим у менее критичных инструментов: ошибка в результате может кардинально изменить жизнь человека, а не просто испортить вечер. Неверно выставленная оценка, отказ в зачислении или ложное обвинение в списывании – это вред, который ученик не может легко исправить, и именно поэтому такие системы попадают под высокорисковый режим регулирования, а инженерные стандарты поднимаются до соответствующего уровня.

Автооценка – самая соблазнительная, потому что языковая модель правдоподобно оценит короткий ответ или эссе и сэкономит преподавателю часы. Ловушка в том, что «правдоподобно» – не «справедливо». Оценочная модель может быть систематически строже к неродной формулировке, диалекту или ответам, верным, но необычно сформулированным, и в масштабе целого потока маленькое смещение становится паттерном несправедливых исходов. По Акту это Annex III 3(b) – оценка результатов обучения – и обязанности следуют: управлять данными, на которых обучалась модель, тестировать точность и смещение до развёртывания, вести логи и проектировать человека в контуре, который выставляет финальную оценку. Защитимый шаблон зеркалит корзину удобства: модель предлагает балл и доказательства к нему, а преподаватель решает. Модель черновит; оценку ставит человек.

Приём и распределение – рекомендация о том, кого принять и с какого уровня начать обучение, – регулируется Annex III 3(а) и 3(с). При этом применяется та же дисциплина, но с ещё большим акцентом на проверку справедливости и на право ученика на объяснение, поскольку это решение выступает в роли решающего барьера.

Прокторинг чаще всего работает не так публично, как может показаться, и важно понять, почему. Прокторинг экзамена наблюдает за учащимся через веб-камеру во время теста и фиксирует подозрения в списывании – обычно это делается путём распознавания лиц, отслеживания взгляда и поворота головы, а также выявления аномалий, например, появления второго человека в кадре. Это относится к Annex III 3(d), и поскольку система обрабатывает изображения лиц, она затрагивает и правила, касающиеся биометрических данных, указанные в Annex III, пункт 1. Повторяются три основных режима отказа.

Первый – смещение: у систем прокторинга на основе распознавания лиц есть задокументированная история сбоев при работе с людьми тёмной кожи. Один анализ показал, что широко используемый инструмент не распознавал чёрные лица в большинстве случаев, а сами учащиеся рассказывали, что им приходилось направлять свет прямо в лицо, чтобы система их определила. Этот вопрос расследовал Нидерландский институт по правам человека.

Второй – ложные срабатывания: нормальное поведение – например, отвод взгляда, чтобы подумать, вход родственника в комнату или нестабильное интернет-соединение – может быть ошибочно расценено как списывание. Непроверенный флаг может привести к провалу честного ученика.

Третий – граница эмоций: любая система прокторинга, которая заявляет о возможности определять стресс или «подозрительность» по выражению лица, в ЕС не просто считается высокорисковой – она запрещена.

Инженерное решение: рассматривать каждый сигнал прокторинга как предварительный флаг, требующий проверки человеком, а не как автоматическое решение; тестировать паритет распознавания по тонам кожи до запуска системы; и отдавать предпочтение дизайну, минимизирующему использование биометрической обработки.

Самые компоненты детекции подробно разобраны в уроке про распознавание лиц под EU AI Act и в плейбуке по обнаружению аномалий; более широкая регуляторная инженерия – в уроке про EU AI Act.

Вывод для продакта: не позволяйте функции оценивания попасть в роадмап на инерции удобных фич. Это отдельный продукт со своей работой по соответствию, собственной проверкой справедливости и своим сроком. Честный дефолт для многих образовательных продуктов – выпустить корзину удобства сейчас, а корзину оценивания рассматривать как осознанное, чётко очерченное и более позднее решение.

Три способа добавить ИИ в ваш образовательный продукт

Если вы создаёте образовательный продукт, «добавление ИИ» сводится к одному из трёх подходов, и каждый из них меняет соотношение скорости и контроля так же, как любые платформенные решения.

Нажмите, чтобы увеличить

Первый маршрут – встроить через стандарт или вендора. У онлайн-образования есть преимущество, которого нет у других сфер: зрелый стандарт интероперабельности. Learning Tools Interoperability – LTI, сейчас версия 1.3, поддерживаемая консорциумом 1EdTech и построенная на OAuth 2.0 и JSON Web Tokens – позволяет вашей платформе подключить внешний инструмент, в том числе ИИ, так что ученик открывает его без отдельного входа. Через LTI или собственный SDK вендора вы сможете добавить субтитры, репетитора или прокторинг за несколько дней или недель, унаследовав от вендора работу над точностью и подписанное соглашение о данных. Цена такого подхода в том, что данные ученика и маржа с него остаются в системе вендора, а кастомизация возможна только в рамках, которые он предоставляет. Это верный выбор, чтобы проверить, будут ли ученики пользоваться функцией, прежде чем инвестировать в её собственное развитие. Здесь важны и два смежных стандарта: SCORM и более новый xAPI (Experience API), которые упаковывают и отслеживают учебный контент и активность ученика, обеспечивая переносимость ИИ-материалов и ИИ-отслеживаемой вовлечённости между системами.

Второй маршрут – собрать на управляемых AI-API – предполагает подключение хостингового speech-to-text к хостинговой языковой модели и самостоятельную разработку репетитора, структуру глав и экраны проверки. Это следующий уровень по сложности: на реализацию уйдёт от нескольких недель до месяцев, но вы получаете полный контроль: сами определяете опыт обучения, выбираете каждую модель и контролируете, куда направляются данные. Платой за это становится необходимость самостоятельно заниматься интеграцией, настройкой точности и всеми вопросами приватности.

Третий маршрут – и единственный, при котором продукт остаётся полностью вашим – построить на открытых моделях: запустить открытые речевые и языковые модели на собственной инфраструктуре. Он требует наибольших инженерных усилий – обычно месяцы работы, – но при этом аудио и данные учеников не покидают периметр, нет платы за ученика вендору, а вы полностью контролируете модель. Этот путь подходит платформам, для которых данные учеников и качество обучения – ключевой актив. Подробный расчёт реальной стоимости ИИ по всем трём маршрутам – в уроке про реальную стоимость ИИ в видео, а адаптация модели под вашу предметную область, включая онлайн-образование, – в уроке про дообучение video VLM.

Разобранный пример стоимости: за час контента, затем за активного ученика

ИИ-бюджет онлайн-образования определяется двумя разными затратами, которые масштабируются по-разному. Проведите расчёт один раз – и выбор между «купить или построить» станет очевидным.

Первая стоимость – однократный проход по каталогу, и она масштабируется пропорционально длительности видео. Возьмём курс с 50 часами записанных лекций. Чтобы сделать его ИИ-усиленным, вы обрабатываете каждый час один раз. Расшифровка на управляемом движке стоит около 0,006 доллара за минуту аудио:

расшифровка:  60 мин × $0,006 = $0,36 за час лекции

Главы и конспект добавляют один проход языковой модели по этой расшифровке – примерно 12 000 слов на вход, короткий структурированный вывод на выходе – что на модели среднего уровня обходится в несколько центов, а эмбеддинг расшифровки, чтобы репетитор и поиск могли её найти, стоит доли цента. Округлим весь однократный проход щедро вверх:

однократный AI-проход:  ≈ $0,50 за час лекции  →  50 часов ≈ $25 за весь курс

Двадцать пять долларов, чтобы расшифровать, сделать черновик субтитров, разбить курс на главы, составить конспект и сделать его поисковым – это сумма, при которой выбор в пользу удобства становится очевидным «да». Но это цена черновика. Обработка субтитров до уровня доступности – работа человека, доводящего результат распознавания речи до ~99% точности, – вот реальная статья расходов. А профессиональное субтитрование обходится примерно в 1–3 доллара за минуту видео, то есть 60–180 долларов за час. Это на два порядка дороже, чем обработка с помощью ИИ, и именно так устроена честная модель: искусственный интеллект создаёт черновик за копейки, а доводку до уровня соответствия требованиям выполняет человек.

Вторая стоимость – ИИ-репетитор, и она масштабируется по активному ученику, а не по часам контента. Каждый вопрос репетитору – это извлечение данных и ответ языковой модели, обходящиеся в несколько центов за вопрос в зависимости от модели и длины ответа. Ученик, задающий 20 вопросов на протяжении курса, обходится примерно в несколько десятков центов на репетиторство – и так до конца обучения.

Числа иллюстративны и меняются вместе с ценами на модели; суть – в форме. Работа ИИ, делающая каталог умным, удивительно дёшева – десятки долларов за целый курс. Дорогое – в другом: человеческая «последняя миля» на всём, что вы называете доступным, и постоянная стоимость всегда включённого репетитора для каждого ученика. Планируйте бюджет с учётом этих двух факторов, а не стоимости ИИ-обработки.

Шлюз, через который проходит каждая функция: доступность, данные об учениках и раскрытие информации

Здесь роадмап онлайн-образования постепенно приобретает юридическую значимость. Рассматривайте следующее как контекст, релевантный для инженеров, а не как юридическую консультацию – уточняйте детали у квалифицированного юриста в юрисдикциях, где вы работаете.

Доступность – первый шлюз, и для онлайн-образования это закон, а не любезность. Web Content Accessibility Guidelines – WCAG, рекомендация W3C, текущая версия 2.2 – требуют субтитров ко всему записанному аудио в синхронизированных медиа уже на базовом уровне соответствия (Success Criterion 1.2.2, уровень A), а аудиоописание и транскрипты – на более высоких уровнях. Два закона превращают эту рекомендацию в юридическую обязанность для онлайн-образования. В ЕС European Accessibility Act (Директива (EU) 2019/882) вступает в силу с 28 июня 2025 года и прямо охватывает образовательный контент, при этом в качестве практической базы используется WCAG AA. В США обновлённая версия ADA Title II от Министерства юстиции 2024 года обязывает государственные учреждения – включая государственные университеты и их онлайн-курсы – соответствовать стандарту WCAG 2.1 AA с сроками выполнения в 2026–2027 годах (Минюст скорректировал график в 2026 году, поэтому уточните актуальную дату в зависимости от масштаба вашего учреждения). Инженерный вывод: субтитры и транскрипты – не премиальная опция, а базовое требование для значительной части рынка, и именно поэтому различие между автосубтитрами и доступными субтитрами – это граница соответствия, а не признак доброжелательности.

Данные учеников – второй шлюз. В США законодательство Family Educational Rights and Privacy Act (FERPA) регулирует образовательные записи: поставщик ИИ, обрабатывающий эти данные, должен выступать в роли «школьного официального лица», связанного договором, и иметь законный образовательный интерес. На практике это означает заключение соглашения о защите данных, запрещающего вендору использовать информацию об учениках в собственных целях. В ЕС General Data Protection Regulation (GDPR) требует чёткого разделения ролей «контролёр – обработчик» и, при высокорисковой обработке, проведения оценки воздействия на защиту персональных данных. Для детей младше 13 лет дополнительные требования к согласию предъявляет американский COPPA. Специфическая угроза, связанная с ИИ, – обучающие данные: как только персональные сведения об ученике попадают в обучающий набор модели, их практически невозможно удалить. Поэтому ключевыми мерами защиты становятся договорное условие «не использовать наши данные для обучения» и архитектурные решения (например, RAG, а не дообучение на сырых данных), которые принципиально не допускают попадание данных ученика в параметры модели.

Раскрытие – третий шлюз. По Article 50 EU AI Act система, которая напрямую взаимодействует с человеком, должна дать ему знать, что он имеет дело с ИИ, а ИИ-сгенерированный контент должен быть помечен – поэтому ИИ-репетитор представляется, а ИИ-начерновленный конспект или дубляж помечается. Более широкая регуляторная инженерия, включая высокорисковые обязанности для корзины оценивания, – в уроке про EU AI Act.

Правило, действующее во всех трёх шлюзах, – то же, что и во всей статье: человек остаётся в центре контроля над всем, что влияет на ученика. Доступность – это право ученика на равный доступ; соглашение о данных – ваш контроль над тем, куда направляются его записи; раскрытие – его право знать, что в процессе задействована машина. Функция, уважающая все три принципа, – это актив; нарушающая хотя бы один из них – пассив.

Плейбук: от «добавить ИИ» к отгруженной функции

Соберите части воедино – и добавление ИИ в образовательный продукт сводится к четырём вопросам, заданным по порядку.

Нажмите, чтобы увеличить

Первое, отсортируй функцию: определяет ли она оценку, принятие или прокторинг ученика? Если нет – это низкий риск, вопрос удобства; можно выпускать. Если да – это высокий риск согласно Annex III, пункт 3; оформляй как отдельный продукт соответствия с проверкой справедливости и обязательным человеческим контролем, и ни в коем случае не используй вывод эмоций – это прямо запрещено. Второе, поставь на часы: если контент уже существует, выполняй задачу асинхронно – там, где вычисления дешёвые, а медленная, но точная модель – норма; если ситуация требует немедленного ответа, работай в конвейере реального времени в рамках допустимого бюджета задержки. Третье, правило «черновик и решение»: пусть ИИ подготовит черновик субтитра, конспекта, оценки или флага списывания, а человек – примет окончательное решение: доведёт субтитры до уровня доступности, утвердит оценки и проверит флаги прокторинга до их засчитывания. Четвёртое, и без исключений, шлюз соответствия: субтитры должны соответствовать WCAG и European Accessibility Act, необходимо подписать соглашение о защите данных FERPA или GDPR, запрещающее использование данных учеников для обучения, и обязательно раскрыть факт применения ИИ ученику.

Это весь плейбук. Основные уроки этого раздела – подробные руководства по каждому блоку: streaming ASR для расшифровки, используемой в субтитрах и поиске, video RAG для ИИ-репетитора, ASR-фан-аут на стороне SFU для субтитров в прямом эфире и урок про распознавание лиц для компонентов прокторинга, к которым нужно подходить с особой осторожностью.

Где здесь Фора Софт

Мы разрабатываем платформы онлайн-обучения, видеоконференцсвязи и стриминга, в которых реализованы эти ИИ-функции – маркетплейсы курсов, системы корпоративного обучения, живые виртуальные классы и видеоконвейеры. Поэтому регулярно применяем этот плейбук с клиентами. Когда клиент хочет протестировать какую-то функцию, мы подключаем проверенный сервис субтитров или репетитора через LTI или вендорский SDK, предварительно интегрируя раскрытие информации и соглашение о данных. Когда данные учащихся и качество обучения становятся продуктом, мы строим собственный конвейер: асинхронно расшифровываем и разбиваем контент на главы, привязываем репетитора к курсам клиента через RAG и храним данные учащихся внутри периметра клиента – при этом с самого первого спринта закладываем в архитектуру паттерны «черновик и решение» и обеспечиваем доступность. Когда клиент затрагивает темы оценок или прокторинга, мы рассматриваем это как отдельный высокорисковый продукт – и именно так оно и есть. Эти четыре вопроса из плейбука – те же самые, которые мы обсуждаем на скоупинг-звонках, когда образовательный клиент спрашивает, где в его дорожной карте место для ИИ.

Ключевые выводы

• Искусственный интеллект в онлайн-образовании можно разделить на две категории: функции, упрощающие обучение для ученика, и инструменты оценки, которые его анализируют и судят.
• Приоритет разработки определяется рисками: удобные функции – низкорисковые и недорогие; системы оценки, приёма и прокторинга – высокорисковые, особенно в ЕС.
• Онлайн-образование строится вокруг двух форматов: асинхронный каталог, как стриминговый сервис, и живые занятия в реальном времени, как видеоконференция.
• Каждая удобная функция дёшево реализуется на этапе прототипа, но становится дорогой при доводке до совершенства; ИИ создаёт черновик, а финальное решение остаётся за человеком.
• Автосубтитры – это черновик, а не полноценная доступность; если вы называете контент доступным, закладывайте правку до ~99% точности.
• Распознавание эмоций по лицам запрещено в образовании в ЕС с февраля 2025 года – не реализовывайте такие функции.

Что почитать дальше

• Video RAG – мультимодальный RAG по видеоархиву
• ИИ в видеоконференцсвязи – инженерный плейбук
• Распознавание лиц под EU AI Act