一、专业背景
1.1人工智能成为国家战略
近年来,人工智能技术不断取得突破,且开始在具体的产业化、商业化项目中得到应用,出现新的发展趋势。第一,“深度学习”+“大数据”是当前人工智能发展的主要特征,人造神经网络能够像人一样学习和思考,使得人工智能能够处理更加复杂的任务,这一方式也成为大多数人工智能企业选择的技术路线。第二,实现了从实验技术向产业化的转变,在图像和语音识别、科学研究、预测分析等方面都已出现成熟的商业化产品。第三,应用的领域从商业、服务业向制造业、农业拓展,这使得人工智能越来越表现出通用技术和基础技术的特征。
人工智能是新一轮产业变革的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎,重构生产、分配、交换、消费等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生新技术、新产品、新产业、新业态、新模式。人工智能正在与各行各业快速融合,助力传统行业转型升级、提质增效,在全球范围内引发全新的产业浪潮。
随着人工智能在各个领域的产业化商业化应用取得显著成效,支持人工智能技术和产业化的发展几乎成为所有有能力的国家重点扶持的技术和产业。当然,各个国家根据自身定位和优势禀赋也有所侧重点,这将对人工智能的国际分工格局产生深远影响。例如,美国秉持领先全球技术和预防被潜在竞争对手超越的理念,更加注重人工智能基础技术的研发以及在军事等高端应用上对全球的引领;日本注重将人工智能与机器人产业相结合,继续巩固全球机器人强国的地位;德国将人工智能纳入到“工业4.0”框架中,通过人工智能进一步提升德国制造业的智能化水平;英国则更加注重相关人才的培育。
我国政府高度重视人工智能的技术进步与产业发展,人工智能已上升国家战略。2017年7月,国务院印发《新一代人工智能发展规划》提出。《新一代人工智能发展规划》明确了我国新一代人工智能发展战略“三步走”目标:
第一步,到2020年,人工智能总体技术和应用与世界先进水平同步,人工智能产业成为新的重要经济增长点,人工智能技术应用成为改善民生的新途径。
第二步,到2025年,人工智能基础理论实现重大突破,部分技术与应用达到世界领先水平,人工智能成为我国产业升级和经济转型的主要动力,智能社会建设取得积极进展。
第三步,到2030年,人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心。
人工智能市场前景巨大,预计到2025年人工智能应用市场总值将达1270亿美元。近年来,我国在人工智能领域密集出台相关政策,更在2017、2018以及2019年连续三年的政府工作报告中提到人工智能,可以看出在世界主要大国纷纷在人工智能领域出台国家战略,抢占人工智能时代制高点的环境下,中国政府把人工智能上升到国家战略的决心。截至2018年11月,全国已有15个省市发布人工智能规划,其中12个制定了具体的产业规模发展目标。通过一系列政策与资金扶持,各省市不断强化当地人工智能的技术研发与应用,为人工智能产业提供了广阔发展前景。
1.2 AI人才缺口
未来的人工智能人才发展,将从基础教育改革开始,依托社会治理的力量逐渐构建形成人工智能教育生态。需要政府、高校、企业和社会共同努力。
各国的人工智能人才都非常稀缺,人工智能公司ElementAI发布的《2019年度全球AI人才报告》指出,全球人工智能人才的数量不断攀升,但顶级人才仍然供不应求。根据中国教育部门测算,我国人工智能人才目前缺口超过500万,国内的供求比例为1:10,供需比例严重失衡。不断加强人才培养,补齐人才短板,是我国的当务之急。
从市场规模来看,据前瞻产业研究院发布的《中国人工智能行业市场前瞻与投资战略规划分析报告》统计数据显示,2015中国人工智能市场规模已突破100亿元,到了2016年中国人工智能市场规模达到142亿元,同比增长27%。截止到2017年中国人工智能市场规模增长至217亿元,同比增长53%。初步测算2018年中国人工智能市场规模将达339亿元左右,比2017年增长56%,远高于全球17%的增速水平。并预测在2019、2020年中国人工智能市场规模将达500亿元、710亿元。2015-2020年复合年均增长率为44.5%。
图 中国人工智能市场规模和增速
中国人工智能人才存在较大“缺口”,中美差距较大。国外企业ElementAI发布的《2019年度全球AI人才报告》显示,中国成为全球最“吸金”的国家。由于国内的创业环境、政府支持和大数据沉淀,中国人工智能领域的投融资占到了全球的60%,吸引了较多拥有技术的海外留学生回国发展。即便如此,中国在人才培养和人才吸引方面仍然与美国存在较大差距。数据显示,58%的中国高级研究员在美国攻读研究生,35%在中国读研究生,7%在其他国家(澳大利亚和英国)读研究生。
在毕业于美国院校的中国高级研究员中,78%留在美国研究机构工作,仅有21%回到中国研究机构工作。该报告还显示,全球吸引人工智能人才的国家中,排名前五的是美国、中国、英国、德国、加拿大,共占据了72%的人工智能人才。中国虽然位列前列,但数量上仅有美国的四分之一,与美国存在较大差距。
培养模式是限制中国人工智能人才的“短板”。清华大学2018年6月发布的《中国人工智能发展报告》显示,中国的论文总量和高被引论文数量都排名世界第一。的确,中国采用了“规模性生产”的人才模式,加快了人工智能人才的培养。
1.3 教育发展
《中国公民科学素质建设报告》显示,2018年,我国公民具备科学素质的比例达到8.47%。虽然相比于2015年的6.2%提升了2.27%,但国民的科学素养仍在世界平均水平之下,这一点值得我们注意与省思。中国人工智能人才要发展,国民的基本科学素质是根基,而素质的提升又离不开教育的发展。中国与美国等发达国家在教育上的差异,不是体现在教材上,而是在教育理念和教学方法上。未来的教育要注重启发式的培养,鼓励学生互动和质疑,突出创新思维的培养。
1、树立正确的科学观。在培养人工智能人才的问题上,不仅要强化通识教育,更重要是激发学生的好奇心,引导他们对科学的热爱,树立正确的科学观;
2、其次,注重基础层面算法人才的培养,将计算机科学嵌入中小学生的必(选)修课之中,注重培养学生在日常学习过程中对计算机的学习与运用,强调在启发、互动和实践的过程中,培养学生思考和创新的能力;
3、营造开放和宽松的创新环境,要真正成为人工智能人才大国,不仅需要培养一批本土的高素质的科技队伍,同时还要集聚全世界的优秀人工智能人才,这就需要以环境为依托,需要通过政策导向与市场优化双管齐下,营造良好环境。
以新时代人才发展理念为引领,打造“政产学研商”联动发力的人工智能教育生态。人工智能人才的培养既是产业发展的需要,又承载着社会责任与历史使命,需要政府、高校、企业和社会各界共同努力,依托社会治理的力量构建新时代人工智能教育生态。我国政府对人工智能人才的培养极为重视。
2017年,国务院印发了《新一代人工智能发展规划》,将“加快培养聚集人工智能高端人才”列为重点任务,并对人工智能相关教育提供了大量资金支持。2018年,国家投入到高等职业教育领域的费用是2900亿元,而2019年的预算是3000多亿元。
高校在人工智能人才的培养上刚刚起步,从长远来看,人工智能产业的发展和人才的培养,迫切地需要高校积极发力,广泛开设人工智能专业。2018年,呼声极高的人工智能专业正式被列入新增审批本科专业名单,全国共有35所高校获取首批成立该专业资格。
2019年10月,教育部官网公布《普通高等学校高等职业教育(专科)专业设置管理办法》,在相关学校和行业提交增补专业建议的基础上,教育部组织研究确定了2019年度增补人工智能技术服务(专业代码:610217)等专业共9个,其中171所高职院校新增人工智能技术服务专业,自2020年起执行。
人工智能教育需要大力推动校企合作,注重科技创新和产业发展的深度融合:其一,校企携手合作,致力于改变高校人才滞后于企业发展的现状;其二,企业技术赋能高校研究,助力产学研融合落到实处。例如,百度目前已经形成了囊括师资培训、课程共建、教材出版以及学生赛事等多个维度产学融合生态;腾讯以产业为驱动,将产业人才需求联合高校转化为专业设置,将企业职业标准转化为课程内容,将企业生产开发过程通过实训项目转化为教学过程;阿里参与的校企合作,则更侧重学术及研究,将真实的业务场景和全球院校的科研实力结合,是阿里校企合作的最大特色。
未来的人工智能人才发展,将从基础教育改革开始,依托社会治理的力量逐渐构建形成人工智能教育生态。这是一段漫长的道路,需要我国政府、高校、企业和社会共同努力。
唯众从解决人工智能相关专业的专业建设难点出发,以让教学实训更简单为理念,推出人工智能相关专业一站式专业建设解决方案,助力学校完成人工智能相关专业的专业建设。
二、中职人才需求
本专业领域毕业生可到各类企事业单位承担人工智能产品和系统的生产、测试、运营、维护、技术支持、售后、销售等工作。】
具体岗位包括:人工智能实施工程师(30%)、人工智能运维工程师(20%)、人工智能助理工程师(15%)、人工智能测试工程师(15%)、人工智能技术支持工程师(15%)、人工智能产品销售(5%)。
细分领域占比(%)细分领域占比(%)算法/机器学习47.6语音识别4.8机器人15.7智能/精准营销2.3硬件/GPU/智能芯片13.1推荐系统1.6图像识别/计算机视觉6.5智能交通/自动驾驶1.4自然语言处理5.5其他1.5
从人才类别分析。人工智能的人才分布呈金字塔式分布,其中占比最多的为数字蓝领人才,包括:人工智能训练师、智能可视化工程师、人工智能数据标注、人工智能应用工程师,最少的为科学家人才,如下图所示。
三、关键技术
人工智能技术包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉等关键技术。
3.1机器学习
机器学习(Machine Learning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科,研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一,研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同,机器学习存在不同的分类方法。根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。
深度学习是机器学习的一种,机器学习是单层的,深度学习是多层的。计算机通过深度学习技术对数据信息进行总结、抽象,并发现其中的规律。在数据输入后,通过多层非线性的特征学习和分层特征提取,最终对输入的图像、声音等数据进行预测。深度学习框架多硬件平台适配总体架构技术方案包括设备管理层接入接口、算子适配层接入接口,训练框架与推理框架的多硬件适配指标体系包括安装部署、兼容适配、算子支持、模型支持、训练性能、稳定性和易扩展性等。
3.2知识图谱
知识图谱本质上是结构化的语义知识库,是一种由节点和边组成的图数据结构,以符号形式描述物理世界中的概念及其相互关系,其基本组成单位是“实体—关系—实体”三元组,以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结,构成网状的知识结构。在知识图谱中,每个节点表示现实世界的“实体”,每条边为实体与实体之间的“关系”。通俗地讲,知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络,提供了从“关系”的角度去分析问题的能力。
知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域,需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地,知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势,已成为业界的热门工具。但是,知识图谱的发展还有很大的挑战,如数据的噪声问题,即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入,还有一系列关键技术需要突破。
3.3自然语言处理
自然语言处理( Natural Language Processing, NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。
自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。
3.4人机交互
人机交互主要研究人和计算机之间的信息交换,主要包括人到计算机和计算机到人的两部分信息交换,是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行,主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备,以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外,还包括语音交互、情感交互、体感交互及脑机交互等技术。
3.5计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学,让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展,预处理、特征提取与算法处理渐渐融合,形成端到端的人工智能算法技术。根据解决的问题,计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。
3.6 人工智能硬件
主要围绕智能芯片、系统软件、开发框架等方面,为人工智能提供基础设施支撑。主要有传统芯片和智能芯片两类,另外还有受生物脑启发设计的类脑仿生芯片等。传统芯片可以覆盖人工智能程序底层所需要的基本运算操作,但是在芯片架构、性能等方面无法适应人工智能技术与应用的快速发展;智能芯片是专门针对人工智能领域设计的芯片,包括通用和专用两种类型。其中通用型智能芯片具有普适性,在人工智能领域内灵活通用;专用型智能芯片是针对特定的应用场景需求设计的。
3.7人工智能框架
AI框架给开发者提供构建神经网络模型的数学操作,AI框架把复杂的数学表达,转换成计算机可识别的计算图。AI计算框架可以很好地实现各种深度学习算法,涉及自然语言处理、机器翻译、图像描述、图像分类等一系列技术。AI框架最核心的是提供开发者构建神经网络的接口(数学操作),自动对神经网络训练(进行反向求导,逼近地求解最优值),得到一个神经网络模型(逼近函数)用于解决分类、回归、拟合的问题,实现目标分类、语音识别等应用场景。
四、中职人工智能知识体系
五、中职专业方向
5.1.1培养目标
本专业培养理想信念坚定,德、智、体、美、劳全面发展,具有一定的科学文化水平,良好的人文素养、职业道德和创新意识,精益求精的工匠精神,较强的就业能力和可持续发展的能力,掌握本专业知识和技术技能,具备人工智能技术应用开发、计算机软件程序开发、数据采集与分析、系统管理与运维等能力,能够从事计算机应用行业,特别是人工智能领域相关工作的高素质技术技能人才。
5.1.2就业方向
本专业领域毕业生可到各类企事业单位承担人工智能产品和系统的生产、测试、运营、维护、技术支持、售后、销售等工作。
具体岗位包括:人工智能实施工程师、人工智能运维工程师、人工智能助理工程师、人工智能测试工程师、人工智能技术支持工程师、人工智能产品销售。
六、立体课程体系
人工智能从架构上划分分为三个层次:基础层、技术层和应用层。基础层包括:人工智能的计算能力和数据资源基础;技术层包括:算法、模型和技术开发;应用层则聚焦在人工智能和各行业各领域的结合。
从人工智能的这三个层次来对人工智能课程体系进行立体划分,如下图所示。
七、实践教学内容
在人工智能实践教学方面,实验内容主要包括:人工智能基础层实验、人工智能技术层实验、人工智能综合应用实验,如下图所示。
人工智能基础层实验主要针对人工智能的基础层技术,包括:python基础实验、Linux操作系统实验和数据分析处理实验。其中python基础实验包括条件语句、复合语句、表达式、文件操作等实验;Linux操作系统实验包括Linux基础命令、Linux用户管理、Linux目录管理、Linux文件管理等实验;数据分析处理实验包括数据采集、数据分析、数据标注等实验。
人工智能技术层实验主要是针对人工智能的技术层技术,包括:计算机视觉实验、语言识别实验、机器学习实验、自然语言处理实验。计算机视觉实验分为图像处理、人脸检测、物体识别、车牌识别等实验;语音识别实验包括语言采集、信号处理、语音识别、语音编码等实验;机器学习实验包括模型构建、模型训练、模型部署、模型验证等实验;自然语言处理实验分为语法分析、语义分析、篇章理解等实验。
人工智能综合应用实验则是结合人工智能各层所需技术内容模拟行业中的经典应用,分为综合实验以及自主实验。综合实验包括智能家居实验、智慧门禁实验、智能监控实验。自主实验则是由学生进行自主命题实现创新创意的实验。
八、人工智能人才培养高水平实训基地建设
人工智能专业的培养目标是培养掌握基础理论知识、掌握物联网核心技术、精通物联网系统及部件应用、物联网知识面宽、动手能力强、适应各种岗位工作的应用型及研发型人才,从事物联网核心部件开发、技术应用、系统搭建、系统维护升级、解决方案设计等工作。
由于人工智能知识体系的庞杂性、应用性、实践性等特点,实验室和实训基地在教学过程中起的作用远比其他学科来的重要。在进行基本理论知识教学之后,实验室能够提供给学生动手实践的平台,将理论知识转为实际操作;为学生提供一个真实拟真的人工智能网环境,掌握各种物联网设备、部件、系统的原理、技术和运用唯众结合企业人才需求,从机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、人智能硬件、人工智能框架“七维”角度为专业学科建设提供软硬件平台及教学实验环境的支撑。
基础实训区:满足人工智能专业知识点的基础实验学习,覆盖人工智能编程基础、人工智能硬件开发、计算机基本算未能、数据采集等教学实验,主要通过实训装置等常规设备实现。
综合实训区:满足人工智能专业知识点到知识面的综合实训练习,每一个实训实验都能够基本覆盖人工智能的全部知识点,能够横向掌握人工智能工程系统的完整开发流程。主要通过人工智能实训平台等项目实训台等设备实现。
创客实训区:满足人工智能专业对人才创新能力的培养,结合行业的各种实际应用需求,深度掌握核心技术,从纵向对应用难点的创新和突破。创新实验设备提供更加开放的提供设计性功能,设备形态更加接近实际工程应用产品,同时能够满足其他不同学科的交叉性知识内容。
人工智能高水平实训基地效果图
九、方案价值
9.1 专业教学服务
人工智能技术应用专业是人工智能技术、计算机科学、信息科学与特色行业相结合的复合型专业。人工智能技术应用专业注重强化学生的人工智能建模与算法分析设计能力、解决交通、医疗等行业人工智能应用问题的实践能力,强调学生的个性化科学思维和创新实践能力的培养;培养能够进行人工智能算法分析与设计、人工智能核心技术研究与开发、人工智能技术应用与其它专业领域结合等复杂工程问题分析与解决的高级专门人才。人工智能技术应用专业将专业课程划分为如图1五个模块。
图 1 人工智能专业课程模块化
人工智能专业基础模块:包括人工智能导论、python程序设计、Linux操作系统、计算机网络、数据结构、计算机数学等专业基础课程,为后续深入学习人工智能专业核心课程打下基础。
计算能力模块:人工智能的算法、模型等都是建立在计算能力的基础之上,因此在深入学习人工智能核心技术之前需要有计算能力的基础,计算能力模块主要由高等数学、线性代数、概率论数理统计和随机过程、离散数学、数值分析等计算基础课程组成。
数据集训练模块:涵盖了数据采集、数据处理、数据分析、数据标注、数据集制作等技术,主要由数据挖掘、数据分析与特征工程、数据标注、图像处理等专业核心课程构成。
机器学习模块:机器学习模块分为两个子模块,一部分为算法学习子模块,另一部分为框架学习子模块。
算法学习子模块中包括一些人工智能中常用的算法学习如线性回归算法、逻辑回归算法、决策树算法、朴素贝叶斯算法、K 近邻算法等。
框架学习子模块中包括一些人工智能中常用的机器学习框架如Scikit-learn、Caffe、Torch、MXNet、PyTorch、Keras、TensorFlow等主流框架。
人工智能应用模块:人工智能应用模块也分为两个子模块,一是人工智能行业应用子模块,另一个是人工智能技术应用子模块。
行业应用子模块中包括人工智能在行业中的一些经典应用,如智能制造、智能家居、智慧交通、智能安防、智慧医疗等。
技术应用子模块中包括人工智能在技术领域中的应用,如自动驾驶技术、人脸识别技术、语音识别技术、文字识别技术等。
十、理实一体全流程教学
云课堂是唯众凭借十多年在职业教学领域耕耘,以“微服务、虚拟化、全栈云”三大核心技术为支撑,助力学校高水平专业建设。该平台采用微服务架构,将平台服务精准分为公共基础、公共应用、专业应用服务。公共基础服务精确为字典、banner、用户权限、文件、认证、网关、订单、转码、平台运营、学校运营、日志、登录、搜索等;专业应用服务精确为KVM虚拟化、容器虚拟化、代码评测、工具、资源、环境等;公共应用服务精确为课程、考试服务、云盘、云优选、题库、活动、工具等。不同的微服务进行因材施教和按需施教,可以非常方便教师实施个性化的教学模式、具体的教学内容、针对性的教学流程,精细赋能Web前端框架应用教学。
10.1 1+X认证服务
提供1+X证书(物联网智能家居系统集成和应用、物联网传感网开发)初级、中级、高级认证培训资源;Web前端开发1+X证书初级、中级资源
10.2 人工智能技能大赛支撑
10.2.1 5G技术应用开发大赛
2020年中国通信学会举办,大唐多络承办的“中国大学生5G技术应用开发大赛”中,武汉唯众将作全面技术支持服务。
10.2.2 一带一路金砖国家技能发展与创新大赛
十一、产学研究中心
11.1 产学研项目申报(区级医疗数据中心)
通过专业技术产品创新、教学模式创新,帮助学校进行计算机网络创新技术应用课题申报,协助学校老师进行云数据中心教学领域专业性课题研究与支持。
11.1.1双活数据中心功能示意图
11.1.2项目价值
11.2教材联合开发教材
联合各院校教授专家,开发物联网技术应用专业系列教材,赠送物联网技术应用专业系列教程,为院校专业实验课程开展和教学提供参考。
11.3 产学研支撑平台
11.3.1数字基座
平台采用spring cloud微服务开发架构,各服务模块单独运行并提供服务接口;可提供稳定、快速、高效的服务;平台整体采用前后端分离和分布式微服务的弹性计算架构实现,后端主要基于Java的Spring cloud实现,前端vue实现等,具有高内聚、松耦合、业务单一、高性能、高并发、高可能、跨平台、跨语言等特点。
平台提供SSO单点登录,多个应用系统统一登录,统一的用户管理,一个账户可登录验证教学全场景以及数字技术专业群实践教学等所有应用模块系统。
平台采用kubernetes技术进行部署,支持公有云、私有云、混合云模式安装;平台支持多数据源从而保证技术的一致性;确保服务的稳定、可扩展、弹性扩容;每个独立服务支持分布式集群部署,理论上可以无限横向扩展,提高系统处理能力,支持大规模并发教学全场景和数字化专业群教学实践应用。
基础虚拟化服务由docker和kvm两种虚拟化技术根据学科性质进行选择性支撑,可满足不同的虚拟化需求,提供稳定、可自行配置的虚拟机器。
基于全流程DevOps自动化运维,支持持续集成、分析、服务注册与发现、系统监控、性能监控、日志管理、预警、持续部署(基于docker的镜像仓库,Kubernetes的容器云管理调度平台,在线可视化管理、监控、调度容器)。
基础持久化层支持RDS和NoSQL两种方式,采用MySQL集群和MongoDB集群搭建,支持基于CQRS的分布式事务处理,支持数据自动备份,同时使用于Redis集群对热点数据进行缓存,支持大并发;支持纯本地化数据源。
基础服务层支持在线验证码服务、基础文件服务、消息队列服务、OSS对象存储服务、用户/鉴权服务、个人云盘服务、WebSocket服务等,保证平台的通用性。用户基础信息管理:对订单实行按业务方向进行配置,对班级、教师、学生相关信息进行新增、修改、删除以及数据权限进行配置。
10.3.2三大核心技术
唯众紧密围绕职业院校高水平数字专业群,针对职业教学发展现状,倾力打造以微服务、虚拟化、全栈云三大核心技术为载体,以计算机技术、多媒体技术、网络通信技术、大数据技术、人工智能技术等新一代数字技术手段构建的一种新型教学平台,可以支持院校进行教学研发创新。