Ertas para Educación

Ajusta modelos de IA con el currículo y datos de curso anonimizados, y ejecútalos en la infraestructura de tu propia institución para que las interacciones de los estudiantes se queden contigo.

The Challenge

Las instituciones educativas en todos los niveles, desde distritos escolares K-12 hasta universidades de investigación, están bajo presión para personalizar el aprendizaje a escala. La tutoría adaptativa, la calificación automatizada, la recomendación de currículo y la generación de contenido se benefician de la IA, pero los modelos necesitan comprender el currículo específico, el enfoque pedagógico y los estándares de evaluación de la institución. Los modelos de lenguaje genéricos producen explicaciones que suenan plausibles pero a menudo son incorrectas, no se alinean con las expectativas del nivel de grado y carecen de conocimiento de los programas de curso específicos o los resultados de aprendizaje institucionales.

La privacidad de los datos de estudiantes añade una restricción formidable. FERPA impone requisitos estrictos sobre cómo se manejan los registros educativos, y los padres, estudiantes y profesores son cada vez más escépticos de enviar datos de interacción estudiantil a proveedores de IA en la nube de terceros. Muchos distritos escolares han prohibido por completo las herramientas comerciales de IA que transmiten datos de estudiantes externamente. Las instituciones que quieren usar IA para asistencia en calificación o tutoría deben encontrar una manera de mantener los datos de estudiantes dentro de sus propios sistemas mientras acceden a los beneficios de los modelos de lenguaje modernos.

The Solution

Ertas ofrece a las instituciones educativas una forma de construir modelos de IA adaptados a su currículo y ejecutarlos en su propia infraestructura. En Ertas Studio, los diseñadores instruccionales y los equipos de tecnología educativa ajustan modelos abiertos con LoRA sobre contenido propio de la institución (materiales de curso, exámenes anteriores, rúbricas y registros de interacción estudiantil sin datos identificativos), desde un canvas visual que ejecuta el entrenamiento en las GPU en la nube de Ertas. El profesorado puede revisar y aprobar los ejemplos de entrenamiento en Data Craft, el constructor guiado de datasets de Studio, para que el modelo aprenda de explicaciones que ellos respaldan. Los modelos resultantes usan la terminología, los criterios de evaluación y el estilo docente de la institución.

Los datos de entrenamiento se suben a Ertas para entrenar, así que conviene quitar nombres e identificadores de estudiantes antes de subirlos y borrar los datasets de Studio al terminar el proyecto. Una vez entrenado, el modelo se exporta desde Hub en GGUF o safetensors y se ejecuta en los servidores o la nube privada de la institución, conectado al LMS mediante una integración propia. Las preguntas de los estudiantes y las respuestas del modelo quedan entonces dentro de sistemas que la institución controla. Docentes y administradores obtienen herramientas con IA (generadores de preguntas de práctica, apoyo para una primera corrección y recomendaciones de estudio) que funcionan donde la institución decide.

Key Features

Studio

Fine-Tuning Consciente del Currículo

Usa el canvas visual de Studio para ajustar modelos con datasets JSONL de contenido de cursos, rúbricas de evaluación, pares de preguntas y respuestas y pautas docentes. Entrena modelos por materia (uno para biología introductoria, otro para cálculo AP) sobre modelos abiertos pequeños como Phi-4 Mini o Llama 3.2 3B, y compara varias ejecuciones lado a lado.

Studio

Ejemplos Revisados por el Profesorado

Data Craft, el constructor guiado de datasets de Studio, permite al profesorado escribir y editar intercambios de tutoría como turnos USER y ASSISTANT, versionarlos y seguir qué ejemplos están aprobados. El modelo se entrena con explicaciones que tu equipo docente ya revisó.

Hub

Modelos que Opera tu Institución

Cada modelo entrenado aparece en Hub para descargarlo en GGUF (llama.cpp, Ollama, LM Studio) o en safetensors completos (vLLM y otros runtimes de servidor). Alójalo en tus propios servidores y conéctalo a Canvas, Moodle, Blackboard o un LMS a medida mediante tu propia integración, sin depender de Ertas para funcionar.

Hub

Las Interacciones de los Estudiantes se Quedan en Casa

Cuando el modelo exportado se ejecuta dentro de tu red, las preguntas de los estudiantes y las respuestas del modelo permanecen en tus sistemas, bajo las políticas de datos de tu institución. Los datos de entrenamiento se suben a las GPU en la nube de Ertas, así que anonimiza los registros de estudiantes antes de subirlos y borra los datasets de Studio cuando ya no los necesites.

Example Workflow

El equipo de aprendizaje en línea de una gran universidad quiere ofrecer tutoría adaptativa para su curso introductorio de ciencias de la computación, con 2,000 estudiantes por semestre. El equipo exporta 15,000 interacciones anonimizadas de preguntas y respuestas del foro del curso, junto con fragmentos del libro de texto y las rúbricas de las tareas, como un dataset JSONL y lo sube a Ertas Studio. Los profesores asistentes usan Data Craft para reescribir unos cientos de respuestas en estilo socrático y aprobarlas. En Studio, el equipo ajusta Phi-4 Mini con LoRA para que guíe a los estudiantes hacia la respuesta mediante preguntas en lugar de entregarles la solución, y lanza dos configuraciones en paralelo. Las evalúa con un conjunto reservado de preguntas del foro calificadas por el equipo docente, exporta el mejor modelo desde Hub en GGUF y lo sirve con Ollama en un servidor del centro de datos de la universidad. La instancia de Moodle del curso se conecta a él mediante una integración propia de la universidad. Los estudiantes reciben pistas y explicaciones alineadas con el currículo y la rúbrica del curso, y sus conversaciones con el tutor se quedan en la infraestructura de la universidad.

Compliance & Security

Las obligaciones de FERPA, incluida la definición de qué es un registro educativo y quién puede acceder a él, siguen siendo trabajo de la propia institución. Lo que cambia con Ertas es dónde se ejecuta la inferencia: tras exportarlo, el modelo puede funcionar en servidores que controla la institución, de modo que las preguntas de los estudiantes y las respuestas del modelo se quedan allí. El entrenamiento es distinto. Los datasets se suben a las GPU en la nube de Ertas para entrenar y se guardan para poder repetir ejecuciones, y puedes borrarlos. Anonimiza o reduce al mínimo los datos de estudiantes antes de subirlos y somete el conjunto de entrenamiento a tu revisión de privacidad habitual.