打通AI技术与行业实践进高校的最后一公里,做连接产业与高校的AI布道师

简介: 随着中国信息技术飞速的发展,云计算、AI、5G等创新技术被更多地运用到教育手段变革、教育资源共享之中。阿里云提出的“飞天加速计划”也在后疫情时代,通过云力量帮助中国高校培养新一批创新人才。

曾有AI大牛称:“AI是新电力,将在未来改变各行各业,如果这个设想是对的,那么全世界需要数百万具备深度学习知识的人。”近几年,深度学习作为一门新兴技术以惊人的速度发展,并被大量应用于计算机视觉、语音识别、自然语言处理等领域。但是在不少学习交流群里,经常能看到这样的吐槽:“没有合适的GPU了”,“实验室没有服务器”,“我这2G显存的笔记本跑不动程序”……

实验室之间“贫富差距”过大,让学生能够省心省力地做好实验成为深度学习教学的一件大事。复旦大学负责深度学习教学的赵卫东老师,在阿里云天池AI实训平台的支持下,解决了学生在学校做实验的诸多限制,有力地支持了深度学习中国大学MOOC建设,为高校AI课程改革提供了一个鲜活案例。

做深度学习,合适的平台很重要

做实验听起来简单,但要保障稳定的实验环境、流畅的实验效率并不容易。尤其是机器学习、深度学习本身对机器和平台要求较高,学生经常在做实验的时候遭遇算力不足、机器学习库版本不一致等问题,这也就解释了为什么深度学习的交流群里会有如此频繁的吐槽。而深度学习的实验问题,并不是孤例。

学生做实验装的平台和机器学习库版本可能不一样,这就导致了出现的问题和原因也不一样。赵卫东说,这些琐碎的事情给初学者带来了困扰,让专业老师们都十分头疼,学生们学习深度学习,合适的实验环境都解决不了,学生们怎么学习呢?

就在前年,教育部产学合作协同育人项目让赵卫东看到了解决问题的契机。赵卫东了解到,阿里云可以为实验提供天池AI实训平台,既能解决上述问题,又能提供一些免费的 GPU 资源,可以在一定程度上解决算力和平台版本统一的问题。学生操作起来也简单,只需要申请账号,连软件安装都省了。双方很快达成合作,赵卫东在《深度学习》课程中引入天池AI实训平台,师生都能一心铺在实验思路上了。

基本的实验完成了,赵卫东还有意识地培养学生学生创新意识。没用天池之前,学生们能顺利完成原有的作业就不错,根本谈不上创新。但现在不少学生会萌生出一些新的实验想法,例如利用所学的算法设计了无人考场、无人机智能牧业管理、交通灯智能控制监控红绿灯等。

开发20+教学案例,收获数千名铁杆粉丝

平台的便捷取得了让师生满意的效果,赵卫东决定把这种教学经验沉淀下来,开发成可以复用的教学案例资源。

在阿里云的支持下,赵卫东在中国大学MOOC开设了深度学习及其应用课程,完成了课程大纲、课件、教学视频、单元习题和作业、案例等开发。课程在2019年下半年上线,目前累计开了第七次课,超过6万余人参加,还因实用性和前沿性被学校推荐为“一流本科课程”并入选中国慕课大会优秀课程。

此外,赵卫东还依托天池AI赛事平台,通过主流的开源深度学习框架TensorFlow开发了20多个教学案例,让学生直观掌握实际项目场景中的基本思路和关键问题,并找到可行的解决方案。在广东电网的案例中,通过深度学习目标检测技术,帮助工人解决了电线故障检修、穿戴合规等一系列重复且琐碎的问题。

赵卫东也将开发的教学案例开放给其他学校的师生,让科技普惠更多人。一位高校老师在学习交流群里说,这20多个实验教学案例全面覆盖了深度学习课程的核心知识点,弥补了相关课程实验和实训环节的不足,对没有案例独立开发能力的老师帮助很大。

随着教学案例资源的推广,赵卫东在全国收获了一批课程铁粉,建立了6个课程交流群,每个群有两百多人。粉丝们大部分是在校学生,也有入了职场的人士。大家在群里交流关于实验的相关问题,比如对算法应用某个环节的理解或者共享资料。这些问题和讨论也反哺着课程,赵卫东会根据反馈不断优化自己的课程。

复旦大学是国家“双一流”、“985工程”、“211工程”建设高校,正在加快完善一流学科体系、一流科研创新体系和一流育人体系。此次复旦与阿里云在AI领域的深度合作,让赵卫东意识到产学合作的必要性。

赵卫东表示,未来,AI会席卷各行各业,深度学习专业将拓展得更深更广,教师教学必须更关注实践应用,培养实践应用型人才。以阿里云为企业的代表,能够在资金、培训和平台等多个方面提供支持。未来,他会继续携手阿里云“飞天加速计划”,合力培养AI领域的高精尖稀缺人才,为中国创造一流的AI成果,更好地服务社会。

关于“飞天加速计划”:

“飞天加速计划”是阿里云2020年推出的项目,通过为全国高校师生、开发者提供免费ECS算力资源,以加速云计算的校园普及,助力培养数字新基建人才。“飞天加速计划”自发布以来,已累计输出6.4亿小时免费ECS算力,2200所高校七万余名师生因此认识了云计算,并且借助云的力量便捷地使用计算资源开发自己的应用,搭建“小而美”的云上世界,同时成就自我。

2021年,阿里云持续加码,推出“飞天加速计划2.0”,致力于在3年内提供价值15亿元的资源扶持,助力开发者应用创新,助力开发者全生命周期成长,培育数字时代的创新人才。

目录
相关文章
|
17天前
|
人工智能 自然语言处理 机器人
文档智能与RAG技术如何提升AI大模型的业务理解能力
随着人工智能的发展,AI大模型在自然语言处理中的应用日益广泛。文档智能和检索增强生成(RAG)技术的兴起,为模型更好地理解和适应特定业务场景提供了新方案。文档智能通过自动化提取和分析非结构化文档中的信息,提高工作效率和准确性。RAG结合检索机制和生成模型,利用外部知识库提高生成内容的相关性和准确性。两者的结合进一步增强了AI大模型的业务理解能力,助力企业数字化转型。
74 3
|
26天前
|
人工智能 搜索推荐 安全
AI技术在医疗领域的应用与挑战
【10月更文挑战第27天】 本文探讨了人工智能(AI)在医疗领域的应用,包括疾病诊断、药物研发和患者管理等方面。同时,也分析了AI在医疗领域面临的挑战,如数据隐私、伦理问题和技术局限性等。通过对这些方面的深入分析,我们可以更好地理解AI在医疗领域的潜力和发展方向。
132 59
|
5天前
|
机器学习/深度学习 人工智能 自然语言处理
智能化软件测试:AI驱动的自动化测试策略与实践####
本文深入探讨了人工智能(AI)在软件测试领域的创新应用,通过分析AI技术如何优化测试流程、提升测试效率及质量,阐述了智能化软件测试的核心价值。文章首先概述了传统软件测试面临的挑战,随后详细介绍了AI驱动的自动化测试工具与框架,包括自然语言处理(NLP)、机器学习(ML)算法在缺陷预测、测试用例生成及自动化回归测试中的应用实例。最后,文章展望了智能化软件测试的未来发展趋势,强调了持续学习与适应能力对于保持测试策略有效性的重要性。 ####
|
7天前
|
机器学习/深度学习 人工智能 搜索推荐
AI技术在医疗领域的应用####
本文探讨了人工智能(AI)技术在医疗领域的创新应用及其带来的革命性变化。通过分析AI在疾病诊断、个性化治疗、药物研发和患者管理等方面的具体案例,展示了AI如何提升医疗服务的效率和准确性。此外,文章还讨论了AI技术面临的挑战与伦理问题,并展望了未来的发展趋势。 ####
|
13天前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术在医疗领域的应用与前景####
本文探讨了人工智能(AI)在医疗领域的多方面应用,包括疾病诊断、个性化治疗、患者管理以及药物研发等。通过对现有技术的梳理和未来趋势的展望,旨在揭示AI如何推动医疗行业的变革,并提升医疗服务的质量和效率。 ####
36 5
|
15天前
|
人工智能 文字识别 运维
AI多模态的5大核心关键技术,让高端制造实现智能化管理
结合大模型应用场景,通过AI技术解析高端制造业的复杂设备与文档数据,自动化地将大型零件、机械图纸、操作手册等文档结构化。核心技术包括版面识别、表格抽取、要素抽取和文档抽取,实现信息的系统化管理和高效查询,大幅提升设备维护和生产管理的效率。
|
25天前
|
机器学习/深度学习 人工智能 自然语言处理
思通数科AI平台在尽职调查中的技术解析与应用
思通数科AI多模态能力平台结合OCR、NLP和深度学习技术,为IPO尽职调查、融资等重要交易环节提供智能化解决方案。平台自动识别、提取并分类海量文档,实现高效数据核验与合规性检查,显著提升审查速度和精准度,同时保障敏感信息管理和数据安全。
81 11
|
20天前
|
人工智能 自然语言处理 算法
企业内训|AI/大模型/智能体的测评/评估技术-某电信运营商互联网研发中心
本课程是TsingtaoAI专为某电信运营商的互联网研发中心的AI算法工程师设计,已于近日在广州对客户团队完成交付。课程聚焦AI算法工程师在AI、大模型和智能体的测评/评估技术中的关键能力建设,深入探讨如何基于当前先进的AI、大模型与智能体技术,构建符合实际场景需求的科学测评体系。课程内容涵盖大模型及智能体的基础理论、测评集构建、评分标准、自动化与人工测评方法,以及特定垂直场景下的测评实战等方面。
74 4
|
20天前
|
机器学习/深度学习 人工智能 算法
基于AI的性能优化技术研究
基于AI的性能优化技术研究
|
24天前
|
机器学习/深度学习 人工智能 算法
AI技术在医疗健康领域的应用与挑战####
本文旨在探讨人工智能(AI)技术在医疗健康领域的创新应用及其面临的主要挑战。通过深入分析AI如何助力疾病诊断、治疗方案优化、患者管理及药物研发,本文揭示了AI技术在提升医疗服务质量、效率和可及性方面的巨大潜力。同时,文章也指出了数据隐私、伦理道德、技术局限性等关键问题,并提出了相应的解决策略和未来发展方向。本文为医疗从业者、研究者及政策制定者提供了对AI医疗技术的全面理解,促进了跨学科合作与创新。 ####