Inokufu est née de la rencontre de deux expertises portées par les co-fondateurs, sur l’andragogie et les data sciences. L’idée étant de combiner le traitement algorithmique massif de ces données éducatives avec un système d’audits humains pédagogique et métier. Malgré le surcoût significatif que cela représente, les données éducatives ainsi traitées sont de meilleure qualité, rendant possible leur utilisation pour développer des algorithmes de catégorisation et de recommandations par Machine Learning (IA), spécifiques au domaine de l’éducation et de la formation professionnelle. Inokufu s’inscrit donc dans une vision globale d’analyse de ses données avec des techniques de data mining et d’apprentissage automatique pour l’aide à la décision au sens large.
L’objectif principal de ce projet de thèse est d’être en mesure de guider de manière personnalisée les utilisateurs vers l’information la plus adaptée à leur cas spécifique et au-delà d’ailleurs des simples fiches d’orientation. L’objectif visé est donc la recherche d’un système de recommandation capable de mettre en évidence des corrélations significatives entre les spécificités individuelles de chaque apprenant (données sociodémographiques, compétences générales, expériences professionnelles, parcours de formation, besoins spécifiques d’apprentissage, etc.) et l’ensemble des informations disponibles sur les ressources éducatives et de formations (LO) qui sont quant à elles des objets complexes pouvant contenir à la fois des données de type numériques (prix, durée, etc), textuelles (Titre, pré-requis, compétences acquises, descriptions, etc.), images et aussi vidéos.

Étant donnée la nature complexe de ces données, les besoins exprimés par Inokufu couvrent donc les aspects suivants :

●    Prévoir/prédire la compatibilité entre LO et un utilisateur et donc pouvoir orienter l’utilisateur vers les ressources adaptées à l’étape dans laquelle il se trouve de son projet professionnel. En effet, Becomino souhaite amener les utilisateurs à construire leur projet professionnel de manière douce en leur offrant une grande variété de points d’entrée puis en les sollicitant de manière personnalisée depuis la découverte du métier jusqu’à la compréhension, la mise en pratique, voire l’entrée en formation certifiante ou diplômante (c.f. Figure 3).

●    Expliquer par un ensemble de descripteurs (ceux des LO et/ou des utilisateurs) les raisons de l’adéquation (Matching) ou non d’un LO avec un utilisateur. Cela permettra de comprendre l’ensemble des facteurs mis en cause dans cet impact de manière indépendante et/ou corrélée et ainsi d’améliorer l’adoption de l’outil par les utilisateurs et à rendre sa prescription la plus naturelle possible par les conseillers emploi et d’orientation.

●    Implémenter et déployer un module de recommandation opérationnel dans la plateforme Big Data d’Inokufu, qui pourra ainsi exploiter les résultats obtenus pour fournir des recommandations éducatifs et d’autre part améliorer la personnalisation de l’expérience de découverte et d’apprentissage des utilisateurs.