提出并实现了一个本地轻量化课程教学智能辅助系统. 该系统利用IPEX-LLM (Intel PyTorch extention for large language model)加速库, 在计算资源受限的设备上高效部署并运行经过QLoRA(quantum-logic optimized resource allocation)框架微调的大语言模型, 并结合增强检索技术, 实现了智能问答、智能出题、教学大纲生成、教学演示文档生成等4个主要功能模块的课程灵活定制, 在帮助教师提高教学备课和授课的质量与效率、保护数据隐私的同时, 支撑学生个性化学习并提供实时反馈. 在性能实验中, 以集成优化后的Chatglm3-6B模型为例, 该系统处理64-token输出任务时仅需4.08 s, 验证了其在资源受限环境下快速推理的能力. 在实践案例分析中, 通过与原生Chatgml-6B和ChatGPT4.0在功能实现上的对比, 进一步表明了该系统具备优越的准确性和实用性.
建设智能教育平台是推动教育智能化的一个重要过程, 但智能教育平台依赖的人工智能模型在训练过程中会消耗大量电力, 因此, 开展短期电力负荷预测对建设智能教育平台具有重要意义. 针对在考虑多个属性开展短期电力负荷预测时, 由于部分属性与电力负荷数据的相关性不强并且Transformer无法捕捉电力负荷数据的时间相关性, 而导致电力负荷预测不够准确的问题, 基于SR (Székely and Rizzo)距离相关系数、融合时间定位编码和Transformer, 提出了一种短期电力负荷预测模型SF-Transformer. SF-Transformer通过SR距离相关系数对影响电力负荷数据的属性进行筛选, 选择与电力负荷数据之间SR距离相关系数较大的属性. SF-Transformer采用一种全局时间编码与局部位置编码相结合的融合时间定位编码, 有助于模型全面获取电力负荷数据的时间定位信息. 在数据集上开展了实验, 实验结果表明SF-Transformer与其他模型相比, 在两种时长上进行电力负荷预测具有更低的均方根误差和平均绝对误差.
近年来, 随着人工智能视觉识别和边缘智能计算的发展, 基于视觉识别的智能巡视或在线监测技术在传统校园安防、实验室安全监测和工业生产运维监测中取得重要的应用. 校园安防和实验室安全监测旨在保护师生们的人身安全, 避免校园霸凌或实验室安全事故等事情的发生; 工业生产运维监测则是对工业场景中的设备或作业行为等进行隐患缺陷识别预警, 避免故障危险发生后产生巨大的损失. 在安防安全或生产运维监测任务中, 若采用人工的方式进行实时的检测会非常浪费劳动力且效率很低, 还有可能存在人工的疏忽导致危险隐患未被发现. 本文根据校园安防安全或工业生产运维监测领域需求, 以工业变电站运维监测为基础, 设计并实现了一个基于微服务的智能巡视系统, 该系统无须过多人工参与, 能够自动进行巡视, 在发现危险后会进行警告. 同时, 该系统采用先进的任务执行调度系统, 执行一遍巡视仅3 ~ 5 min, 大大提高了巡视和发现危险的效率. 该系统可应用于校园安防安全和工业变电站的智能巡视.
中文核心期刊
