图像识别算法 优势 教育人工智能面临发展难题,技术路径如何突破(2)

“1”是指新一代人工智能重大科技项目，聚焦基础理论和关键共性技术的前瞻布局，包括研究大数据智能、跨媒体感知计算、混合增强智能、群体智能、自主协同控制与决策等理论，研究知识计算引擎与知识服务技术、跨媒体分析推理技术、群体智能关键技术、混合增强智能新架构与新技术、自主无人控制技术等，开源共享人工智能基础理论和共性技术。

美的全球人工智能团队包括硅谷未来技术中心和深圳人工智能研究所，成立1年多，已经建成了高性价比的美的异构深度学习gpu集群平台，并开发了多款人工智能产品及应用技术，例如人工智能烤箱、人工智能米饭机器人、未来厨房(自然语言理解)、工业人工智能和深度学习外观检测、智能新零售等。

图1教育人工智能的技术框架

1.教育数据层

教育数据层是教育人工智能技术框架的基础层，该层主要包括管理类数据、行为类数据、资源类数据以及评价类数据（李振等，2018）。其中管理类数据包括学生个人信息、学籍档案、教职工信息、数据等，资源类数据包括试卷、课件、媒体资料、案例等，行为类数据包括教师行为数据（如讲解与演示、指导与答疑、提问与对话、评价与激励）和学生行为数据（如信息检索、信息加工、信息交流），评价类数据包括学业水平测试数据和综合素质评价数据等。教育数据层主要负责对以上数据进行采集、加工处理、存储等，但由于该层的数据庞大复杂、良莠不齐，因此在数据采集环节需要对数据进行预处理，具体涉及到的技术包括数据采集、筛选、集成、格式转换、流计算、信息传输等。其中在数据处理环节，当前应用比较广泛的数据处理平台有Hadoop、MapReduce和Spark等。

2.算法层

算法层是实现各类教育人工智能技术的核心，该层主要包括机器学习和深度学习两类算法。机器学习是指利用数据或以往经验，优化计算机程序的性能标准，其目标是开发能够自动检测数据模式的方法，然后使用未覆盖的模式来预测未来的数据（Alpaydin，2014），是人工智能最核心、最热门的算法。目前，机器学习在学生行为建模、预测学习表现、预警失学风险、学习支持与测评以及资源推送等方面发挥着重要作用（余明华等，2017）。深度学习是机器学习的一个子领域，致力于算法构建，解释和学习传统机器学习算法通常不能提供的高水平和低水平的抽象数据（TawehBeysolowⅡ，2017）。深度学习在文本识别、语音识别、图像识别等方面的应用已取得突破性进展，其识别准确率已远远超过传统技术的识别能力（刘勇等，2017）。

3.感知层

4.认知层

认知层是感知层的进一步发展，不仅能够让机器感知和识别语音、图像和文字，而且能够读懂语音、图像和文字的内在含义。该层涉及的技术主要有自然语言处理、智能代理、知识表示方法、情感计算等。自然语言处理技术能够让机器“理解”人的语言，其在教育领域的应用主要体现在机器翻译、作文评价与批改、智能问答与人机交互等。智能代理技术能够让机器变得更具人性化和个性化，被广泛应用到教学系统中以提升教学质量。知识表示方法是指将人类知识推理编码成符号语言，使其能够被信息系统处理，该方法在提升专家系统智能方面发挥了重要作用。情感计算是人工智能的一个热门话题，是Picard教授于1997年在麻省理工学院提出的，她认为情感计算是对情感或情感产生影响的计算（Picard，1997）。情感计算应用于教育教学，可以有效促进学习者情感上的交互，从而提高学生学习的积极性。

5.教育应用层

教育应用层位于教育人工智能技术框架的最顶层，是各类人工智能技术在教育领域应用的集中体现。目前，人工智能教育应用主要聚焦在智能导学、自动化测评、拍照搜题、教育机器人、智能批改、个性化学习、分层排课、学情监测8个方面，服务的对象主要是学生、教师和管理者。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-91556-2.html