2021年4月8日,华为云TechWave全球技术峰会在深圳举办,江苏知途教育科技产品经理俞京华出席“云原生2.0,让应用‘生于云、长于云’”分论坛并发表题为“知途教育,云原生如何匹配AI人才培养新模式”的演讲。
近年来,AI 的发展如火如荼,它正在改变各行各业。如果把大企业的智能化升级比作一个赛道,那么 AI就是提高发展速度和商业高度的重要引擎之一。而在引擎的比拼上,人才是第一资源,创新是第一动力。
人工智能技术人才极度稀缺
2020年因疫情的原因,人工智能的潜力得到进一步释放。但AI产业高速发展的同时人才供不应求的问题也凸显出来,人才短缺成为AI产业发展的最大短板。
数据显示,人工智能不同技术方向岗位的人才供需比均低于0.4,说明该技术方向的人才供应严重不足。从细分行业来看,智能语音和计算机视觉的岗位人才供需比分别为0.08、0.09,相关人才极度稀缺。
除了直接促进AI技术发展的核心职位外,很多间接岗位的市场需求也出现明显上升,如数据标注师等,年均涨幅达到20%以上。
经济转型倒逼人才培养模式变革
尽管当前AI技术人才如此紧缺,但作为人才输送一线的院校,在相关人才培养方面却遇到了诸多难题。课程体现与技术发展不匹配,人才标准与培养目标脱节,人才培养难以跟上产业发展,岗位对接机制滞后等等,都导致了学生技能与产业发展出现严重断层。
而当前的校企合作模式,也存在着各种弊端。企业师资不足,课堂教学工具缺失,过度依赖企业师资,实训课程质量不高等问题,也让现在的校企合作模式很难输送出高质量的技术人才。
加上近年来产业集群建设和转型升级的加快,从量和质两个方面对技能型人才提出新的更高要求,数字经济的快速发展和由此带来的人才需求,倒逼人才培养模式必须变革。
知途教育打造人才培养新范式
知途教育将大数据、人工智能、云计算等新兴专业知识体系与高校课程进行融合更新,以企业岗位技能需求为培养目标,遵循基于OBE模式进行前沿学科的专业人才培养计划的制定,基于云原生,携手华为云构建校企协作人才培养平台,建设产教融合的教育新生态,助力高校专业课程研发、专业建设、师资培养与学生高质量就业。
过去3年里,知途教育一直为高校的云计算、大数据、人工智能专业提供实训教学平台及专业教学资源库服务;今年,知途将通过“智课堂”、“智实习”、“智实训”三大产品矩阵的构建,来打造人才培养模式新范式的生态闭环。
携手华为云推出「AI高校学科建设解决方案」
知途教育与华为云携手,推出「AI高校学科建设解决方案」,基于先进的人工智能开发实践平台ModelArts设计,打造 “纯干货”AI课程,解读人工智能的奥秘,帮助学员系统性掌握人工智能实战技能。
知途教育和华为云一起打造的这套方案,包含了当下最热门的计算机视觉、自然语言处理、语言信号处理、知识图谱等AI技术,结合ModelArts的模型训练以及HiLens Kit的端侧推理,实现从“云”到“端”的应用场景实践。企业员工通过学习实践,可以解决在电力、财经、智能工厂、交通、电商等人工智能应用领域遇到的问题。例如广西大学使用平台内置“电力欠费预测案例”用于南方电网企业赋能培训,参训企业非常认可真实的案例,表示符合他们真实的工作场景。
该解决方案在云端算力、知途学习实训平台、课程案例教学资源到交付培训服务四层架构为人才培养方案修订、师资赋能、教学科研、实习实训等环节助力高校AI学科建设,建设产教融合的新工科教育新生态。
实战方案落地收获一致好评
早在2019年12日,暨南大学率先就将此「AI高校学科建设综合解决方案」落地校园。
疫情期间,为积极响应国家教育部关于疫情期间“停课不停学”的倡议,有效减少人员聚集,阻断疫情传播,全力支持各高等院校广泛深入开展在线教学,实现停课不停学、教学不断线,暨南大学先已经建设的「AI高校学科建设综合解决方案」为人工智能专业学生提供了良好支撑。
暨南大学大四学生无法返校做毕业设计,学习只能在线上进行。校领导随即决定采用知途教育联合华为云打造的「AI高校学科建设综合解决方案」,让学生通过案例学习,使用ModelArts平台完成课题实训和毕业设计。ModelArts云端的便捷性和实用性等优势充分保障了线上教学的稳定进行,让毕业生可以顺利完成毕业实习任务。AI高校学科建设综合解决方案也得到了师生一致好评。
产教融合推动人才培养落地
我国一直在倡导深化产教融合,推进产教融合,加快AI人才培养体系和产业生态建设是行业产业界和学术界的共识。
未来,知途将继续携手华为等顶尖技术企业,紧跟人工智能产业发展需求,依托各区域人工智能创新服务重要枢纽的创新中心,推动高校人工智能学科建设与人才培养,打造产教融合示范典型,为人工智能产业发展提供动力,加速地方转型升级和区域创新发展。
“我们将会继续自己的创新使命,在推动高质量教育与人才培养落地的征程上,用技术的力量,助力教育管理和教学智慧化水平的不断提升,推动教育教学的变革。”知途教育CEO俞京华在接受采访时说到。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。