前言
2024年12月6-8日，由中国高等教育学会作为学术指导单位，浙江工业大学主办，正方软件股份有限公司为支持单位的“人工智能与高校教学科研智能化建设”学术活动在杭州举行，会上20多位专家进行报告。在专家本人知情同意前提下，本号将陆续刊载精彩报告，供更多读者交流探讨。
张 辉
盐城师范学院信息化建设与管理中心
《人工智能在高校智能化支撑服务体系中的探索与实践》
非常高兴分享我校人工智能应用于高等教育领域的探索与实践。我重点讨论三个维度：背景分析、问题思考和具体实践。
一
看背景
在国家人工智能战略规划的指引下，高校正经历数字化转型，这一过程由政策、技术、业务发展及应用需求共同驱动。当前，人工智能的应用已成为必然趋势，构建以人为本的教学生态系统和知识产品成为新的焦点，这对教育工作者和信息化人员提出了新的挑战。
二
想问题
一个项目若要归类为人工智能项目，需具备以下三个特征：自主演化、环境感知、人机交互。
人工智能项目的定义严格，因为其涉及算力、存储、网络数据资源及运维模式和权责的重新划分，这些都是支撑AI项目的必要条件。
核心问题包括：
数据质量：学校是否已完成数据治理并建立了统一的数据治理与共享服务平台至关重要。
模型框架与算法选择：需考虑网络安全问题，并明确建设人工智能项目的问题目标及其在未来几年内预期达到的层次和对算力存储的要求。
定位与规划：高校启动人工智能项目时，必须清晰界定要解决的具体问题及长远目标，避免盲目行动。
师生接受度：确保项目不会因初期热情而忽视长期使用，防止最终沦为“数据垃圾”。
法律法规：高校在应用人工智能过程中仍需谨慎处理潜在法律风险。
业务流程重构：引入人工智能大幅改变现有业务流，这意味着原有办事流程需要重新规划。
系统集成：避免因不同部门分别建设而导致的数据孤岛现象，确保系统的整体性和协同性。
推进人工智能项目时，尤其对于地方本科高校而言，需特别注意警惕技术至上、重视人机协同、防范潜在风险。
三
说实践
案例1：大模型助力数据治理共享与服务平台项目建设
经过四年的实践，我深刻体会到数据治理工作的复杂性远超预期。数据治理不仅限于共享，更强调：
持续迭代与自我演化：系统必须能够不断更新和优化。
全周期数据质量监控：涵盖从数据生成到使用的每一个环节，并及时生成问题清单进行督导。
我们计划引入大模型以优化数据治理，具体措施包括：自动分析与规则梳理、实时监控与预警处理、学习迭代适应变化。
我们的总体目标是降本增效。为此，在数据治理过程中，我们将构建知识库、优化交付流程、减轻工作负担。借助大模型和“数据大脑”，我们能够有效解决数据增量问题，确保数据治理在不影响现有教学和科研活动的前提下顺利进行。
非结构化数据处理：针对视频、图片和语音等内容，进行智能化的摘要、分类、打标及元数据发现。这是研究的重点，因为大量非结构化数据需要有效的自动化处理。
历史系统优化：对于无法淘汰的老系统，尤其是十几年前建立的系统，我们通过自学习和大模型应用，实现了中文翻译、业务描述、分类分级以及索引标注的自动化，解决了数据字典混乱的问题。
智能化流程编排：用于生成流程、提供优化建议和错误排查，提高工作效率。
专家智库问答智能体：专为信息中心设计，帮助管理人员自动分拣和解决大量的日常问题，包括数据流转问题的自动处理或分配给相应职能部门。
SQL处理与自然语言交互：实现SQL语句的自然语言转化、解释、纠错和修改，简化数据库操作。
智能数据分析：支持多模态数据检索、可视化图表生成和数据推荐，提升数据分析能力。
数据大脑：集成对话式分析、检索、智能解析、自动报告生成和预警功能，增强决策支持能力。
案例2：网络流量检测算法优化
网络安全是信息中心信息化管理部门不可忽视的关键问题。随着人工智能的应用，我们需要强化网络安全的预警感知和自动化防御能力。我们选择了流量监测作为优化点，并基于前人研究对算法进行了改进。
在数据异常检测中，我们必须解决两个核心问题：
数据平衡：实际收集的数据往往与正常数据不平衡，各类数据的分布不均需要通过训练来优化算法性能。
特征选择：网络传输包含大量特征，若在检测算法中使用所有特征，会增加计算负担。因此，需精选最有效的特征以提高效率。
针对这些问题，我们采取了特定措施进行优化，确保网络安全机制更加强大和高效。
优化数据平衡：摒弃了基于欧氏距离计算样本数量的传统方法，该方法容易导致数据重叠。我们改为从整个数据集中选取最近的样本，并根据范围值记录噪声数据，避免生成重叠样本。
特征选择：采用随机森林算法挑选流量特征，减少计算负担并提高效率。
神经网络优化：使用改进的灰狼优化算法对反射传播神经网络进行优化，具体措施包括：采用正弦方式调整参数、通过引入权重范数优化位置更新公式。
经过这些改进，我们的新算法在十类攻击检测中表现优异，准确率、假负率和假正率均显著优于现有的决策树和支持向量机算法。我们将此算法应用于入侵检测系统，取得了非常良好的效果。
案例3：云工作流多目标调度算法优化
针对云端应用（无论是本地云、外部云还是校内云），特别是对于算力和存储有限的地方高校，我们面临多个优化目标，包括复杂的数据依赖性和云资源的弹性等问题。
为优化高校使用大模型后的云端调用，我们采用了分布式的任务调度算法，主要措施如下：
同时优化执行时间和成本
分治算法划分决策变量
自适应资源分配机制
最后，未来已来！我们欢迎高校、科研机构和公司等合作，共同探索更多人工智能提升智慧校园建设效率的可能性。
END
