独家专访:录播创始人新学道总裁吴作潇

2013年 9月4日,新学道总裁吴作潇应邀参加慧聪教育网专访,专访活动在慧聪教育网采访直播中心进行。新学道总裁吴作潇是国内首家录播系统创始人,他带领团队在教育装备行业奋斗15年,成功打造出了录播系列、平台系列及其它教育相关产品,实现了教育一体化。在专访中,吴总阐述了新学道产品理念以及对当前录播市场的看法,并对记者的采访一一作答。
以下为专访实录:
  记者:我们知道最近很多厂商与学校、通信公司联手合作,推出云录播等新产品,那么咱们公司有没有推出一些新品呢?
  吴总:是这样的,我们从98年到现在一直在做录播这个行业,目前,在教育装备行业录播是中国大陆最多的一种,我们自98年推出录播系统,由高清录播导播系统到云录播系统再到上课备课平台以及可支持移动学习终端平台,我们一直在努力,在不断推出更加适合教育的新产品。
  记者:听您介绍,咱们新学道的产品线是贯穿整个教育领域的,包括备课、录课、直播及存储整套流程。您是基于什么样的原因建立这种思路的呢?
  吴总:我们在产品个体理念、内容上与别的企业有很大的不同,我们在早期主要与大学等教育机构与合作,所以我们做录播这套产品的最终目的有几点:一是希望能够真正地提升教学质量;二是对用我们产品的单位有一个回报;三是希望学生能真正地有兴趣去学习。就目前来说呢,在网络上学习课件是没有太大难度的,但是真正在网络上学习的是少之又少的。我认为较好的课件一定要满足几个条件:第一点是一定要具有互动性。第二点是要具备对学生的详细跟踪、记录、反馈、学习进度等功能。第三点是课件一定要具备支持移动终端播放。第四点就是课件要加入教育心理学课程。
--------------------------------------------------------------------------------
  记者:听吴总您说,录播是从科学的角度和心理学研发角度来做。在当下这个社会中,很多厂商不仅关注班班通录播市场,更开始着眼于移动端的学习,那么,新学道是否也在转变产品理念?
  吴总:目前呢,移动终端学习确实炒的很热,我可以肯定地说,未来肯定是朝着移动终端方向发展。
  记者:那我们知道,就录播厂商的分类而言,我们可以大致分为硬件录播和软件录播,那么新学道是具体做哪方面呢?您又如何看待软件录播和硬件录播的市场竞争?
  吴总:我们新学道的录播应该算是中国最早的产品之一,叫做多媒体课件实时录制系统及直播系统,名字很长,后来为了简单方便,就叫做录播,其表面意思为录制与直播,录播一词就是这样产生的。对你刚才问的这个问题我很难回答,硬件也好,软件也好,这些都是表面的,他们的发展历史不同,你不能说硬件的好还是软件的好,其实他们是各有优势和劣势的。但我可以这样说,就录播系统而言,它有两种形式,一种是录制生成的课件包形式的录播,另一种是视频文件。相对来说,文件包形式课件是比较接近国际课件要求和课程标准的。
  记者:听您说,我们了解了录播的概念了,我们都知道,录播市场的发展虽然在教育市场中占据着稳定地位,但由于录播产品的特点,仍需要与其他教育装备的企业进行合作,诸如交互平板、电子书包等厂商,那新学道是否也有一批自己的铁杆合作商呢?
  吴总:我们跟白板、电子书包是有合作的。我们年初规划设计的重要项目—云教室,就是把录播、交互系统、白板、电子触摸一体机结合起来的。选择合作产品最重要的就是真正符合自己的产品需求。
  记者:从上半年的录播发展来看,很多企业都进入到这一块领域,以期获得更多收益,作为一家多年做录播市场的企业,您怎么看待这一现象呢?
  吴总:其实每个企业都有自己的发展理念,据我们这么多年对教育的理解,我个人观点是不管是软件录播还是硬件录播,我觉得最重要的有两点:一是对教学确实有提升;二是一定要具有一定的技术领先性。
  记者:据您所说的,这么多年您主要是抓住这两点来做录播系统的,那您还有没有别的观点,就当下的录播市场面临什么问题,作为品牌企业又如何去突破这些问题,赢得用户内心?
  吴总:针对录播课件来说,要有一定的教学设计,一定的特点。这是我个人比较理想化的状态,但是目前在国内是很难做到的,因为现在国内更趋近于表面的东西,比如说看页面的效果是否漂亮、录制的效果是否清晰。从录播的角度来说,课件的设计是很重要的,就像中国电影和美国大片一样,中国电影一看开头就知道结尾,但美国大片有很多高科技的设计,让人愿意看下去。在国内目前我们能做的就是尽可能做到让学生觉得课件还不错,愿意去学习。
  吴总还谈到,现在很多企业都谈到还原课堂,这是有一定道理的,但是网络学习和现实课堂学习是有很大区别的,要考虑到实际网络学习的特殊性来做录播。据老师和专家反映,学生对于课件学习感觉很枯燥,在3-5分钟内会产生烦躁感。究其原因,是因为课件学习缺乏互动,我们的交互式网络实时课堂系统提供了强大的实时互动教学功能,如电子举手、语音问与答、学员视频、文字提问、实施测验等。老师与学员在上课过程中能够如同在真实教室上课一样互动。另一方面就是我们的上课备课系统,它具备备课和上课的双重功能,且备课和上课是各自不同的界面。备课时,计算机就是传统的鼠标和键盘操作方式,这样的使用方式效率最高。上课时,在教师面前的电子白板就是一个巨大的平板电脑,此时,再也没有鼠标和键盘的帮助。特别注意的是,如果在课堂上用键盘和鼠标,教师将无法与学生深度互动,学生的注意力将被分散。 利用我们的上课备课平台,备课好了,上课质量就高,录制效果也会更好,最终在网络上播放的效果也更加完美。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值