图5.5 排班表审批功能界面  排班表 排班表功能用于排班信息的集中展示，满足不同条件的查询，查询条 件包括周、月、日期、人员。在本系统中，排班表主要在后期设备运维过 程中，能够自动将工单任务推送到相关人员。 排班表支持数据的批量导出，在排班表功能里，可以进行排班表的快 速编辑；但处于未提交审批的排班表，如果提交审批，则不支持快速进行 编辑。具体界面展示如下图。 图5.6 排班表功能界面 进行重新派单，并填写原因和建议等说明。 经过确认进入正在处理状态，如下图所示。 131 某市市中医院后勤设备综合运行管理技术建议书 图5.1 我的工单功能界面 图5.2 我的工单-工单确认功能界面 当检修人员完成任务后，进行工单反馈，需要填报实际使用的各种资源 ， 人力工时、物资、备件备件等，可以对修好的进行图片及视频上传。 当所有信息填写完成后，数据自动流转到报修人进行验收评价，若 24 小时 不评价，自动默认全部 成该员工 的“待办任务”，如果下达到保养组，该组任何人员都可以看到保养任务并去执行 如果分派该组的指定人选执行该任务，其他人待办任务中这条就自消失。保养 工作人员根据保养任务执行工作，并反馈结果，对于没有发生任何工时及费用 的保养，则直接提交结束流程。 保养工作人员可查询自己工作情况；保养组责任人可查询工作人员的保养 任务，以此作为人员绩效考核参考。管理层对保养任务统计查询，以此作为绩

并提供高效的算力资源分配和任务调度策略。 资源绑定：用户组绑定资源组；用 户 或用户组配额资源 分配灵活：按需动态分配 ，即用即 有、 用完即收 user4 user3 弹性共享：按复用数量进行资 源共 享分配 迁移便捷：用户应用“ 0” 侵入， 代码迁移便捷 资源调度：设备、 网络、 GPU 负 载调度等 策略灵活：用户优先、任务优 先、 均衡使用等 算力资源细粒度切 分 32 GPU 显存 16 8 4 支撑： 资源池化管理和分 配 基于任务、 用户和资源状 况进行任务执行排序 GPU 异构 user2 user1 user1 视觉场景 文本场景 …… 训练 推理 任务 用户 智算中心： 数据中心（面向人工智能 ，数据一站式管理） 实时同步 Greenplum 增量同步 增量同步 Hadoop 批量同步 …… MySQL 数 据 加 工 One-hot ，特征转换等 2 、数据预处理 数据开发任务的编排调度 预置常用数据加工分析算子 数据治理 数据存储 数据接入 共享：一个门户多种模式的共享体系 以数据共享服务的形式进行数据封装， 提供统一的数据开放共享 ，提供数据

深蓝战胜国际象棋冠军 BM 提出智慧地球 我国提出感知中 国 深度序习与 大数据兴起 带来了人工 着 能的爆发 物联网 专家系统遍地开花 人工智能转向实用 医疗专家系统 MYCN 任务失败 目标落空 机器翻泽 笑话百出 定理证明 反思 应 用 发展期 发展期 多项研究 发展缓慢 专家系统 发展乏力 蓬 勃 发展期 低 迷 倍以上，达到 1.8 万亿， 2021 年 11 月阿里推出的 M6 模型的参数量达 10 万亿 2.1 大模型的概念 大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常 能够学习到更细微的模式和规律，具有更强的泛化能力和表达能力 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 可迁移性高 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 用于多种任务，无需重新训练 二、大模型：人工智能的前沿 语言生成能力 大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 2.2 大模型的发展历程 萌芽期：模型小 ( 参数 <1 亿 ) 、任务单一、依赖人工设计规则。 突破期：标志事件是

测试时计算 TTC 能力突破 开源、低成本、国产自主 n 基础能力：进入推理模型阶段，并跻身全球第一梯队 1. 推理能力跃升： DeepSeek大模型核心技术突破，实现复杂推理任务的精准处 理与高效执行，覆盖多模态场景应用。 2. 国际竞争力对标：模型综合性能跃居全球第一梯队，技术指标与国际顶尖水平 （如GPT系列、Claude等）直接对标，奠定国产大模型的行业标杆地位。 然语言推理任务，适合高难度问题求 解和专业领域应用。 推理能力 在日常语言任务中表现均衡，但在复杂逻辑推理（如数学题求解）上 准确率较低。 在复杂推理任务表现卓越，尤其擅长数学、代码推理任务。 多模态支持 支持文本、图像、音频乃至视频输入，可处理多种模态信息。 当前主要支持文本输入，不具备图像处理等多模态能力；未来可能通过社区贡献扩展相 关功能。 应用场景 适合广泛通用任务，如对话、内容生成、多模态信息处理以及跨语言 更适合需要高精度推理和逻辑分析的专业任务，如数学竞赛、编程问题和科学研究；在 思路清晰度要求高的场景具有明显优势，比如采访大纲、方案 用户交互体验 提供流畅的实时对话体验，支持多种输入模态；用户界面友好，适合 大众使用。 可展示部分链式思考过程，便于用户理解推理过程；界面和使用体验具有较高的定制性， 但整体交互节奏较慢。 学习交流可加AI肖睿团队助理微信号（ABZ2829） 第29页 Ø 推理密集型任务 • 编程任务中的代码生成、算法设计，

绩效分析、绩效评 价、职业发展指 导…… 与实体服务中心协 同的日常公共服 务…… 创业指导、创业申 报、创业评估…… 思想动态、关注热 点、舆论引导…… 二、我校智慧校园建设实施方案—主要任务及牵头部门 1 、建设智能化信息基础设施 牵头部门：现代教育技术中心 优化现有校园网络环境，实现有线、无线网络信息点覆盖所有场所；围绕重点 应用，建设校园现代物联网。 数据库服务平台，实 现基础数据“一数一源”动态采集和按需共享。 加强教学、实训场所信息化应用建设，重点建设数字化技能实训室、虚拟仿真 实训室。 二、我校智慧校园建设实施方案—主要任务及牵头部门 2 、建设“一站”即更具特色的学校门户网站和“智慧校园”综合门户 牵头部 门：现代教育技术中心 重点围绕丰富信息量、拓展影响力、提升表现力，拓展门户网站的信息传播、 可读、服务和互动功能。 集成各类校园网络、业务平台和数据，实现网络、数据、服务的融合，提供智 能化、系统化和综合化“一站式”门户服务。 建设“掌上三职院”移动 APP 。 二、我校智慧校园建设实施方案—主要任务及牵头部门 3 、建设阳光校务平台 牵头部门：党政办 人事处 教务 处 学生处 招办 科研处 按照建设要求，推进综合管理信息化、智能化。 各业务部门以学生全学制周期为主线重点建设、完善各应用模块；

......................................................................................... 34 7.2 当前任务................................................................................................... 全市养老服务总 体能力和服务水平。本项目对某某市养老项目定位、提升全市养老 服务总体水平具有深远影响。 根据全国居家和社区养老服务改革试点、山东省社区治理暨养 老服务创新实验区试点确定的实验任务和某某市市委市政府、民政 局有关落地实施方案进度安排，多个区县已建设或正在建设养老服 务信息平台。但面临一个突出问题是呼叫接入混乱，以 12349 为接 入码实现统一接入、属地转接处理需求突出。 解决目前存在的突出矛盾，又能极大提升全市养老服务总体能力和 服务水平。 二、建设意义 5 本项目是根据全国居家和社区养老服务改革试点、山东省社区 治理暨养老服务创新实验区试点确定的实验任务和市委市政府、市 民政局有关落地实施方案进度安排，以推进实现养老服务业发展和 转型升级为目标，适度超前建设医养结合、供需对接、资源互动的 综合服务信息平台，搭建医养结合特点鲜明的区居家养老服务体系

1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习 - 深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 01 对 AI 技术的认知：人工智能的本质 人工智能（ ArtificiaI Intelligence ）：第三代，核心是数据智能，以史为鉴 n 从感知智能到认知智能 1. 专用任务模型： NLP NLP 、 CV 、 Gaming…… 2. 通用任务模型： AIGC • Diffusion 、 transformer ◼ 从 NLU+NLG 到 LLM （大语言模型） 1. 语言逻辑和数据集蕴含了人类的认知智能 2. LLM 是人类的认知智能的实现方式之一 3. LLM 的原理很简单；工程很复杂；效果很神奇 3. 推理能力（涌现）：一般需要 10B 以上， GPT-3 人机界面：指令、信息、 prompt 2. 知识助手场景：语言能力 + 知识能力 • 知识压缩、知识提取、知识组织 • 智能问答 3. 任务执行场景：语言能力 + 知识能力 + 逻辑能力 • 任务分解、任务执行 • 操作外部工具或软件接口 • Agent n 三种应用类型 1. 模型增强： FT ； MaaS ；产品包装 （ ChatGPT ）

（学习共性） 大数据（低成本无标注） 少量特定领域标注数据 （成本高） 微调小模型 （学习特性） ⑤ 数 基 生 命 1.模型角度：模型参数不再是随机初始化，而是通过一些任务（如语言模型）进行预训练； 2.数据角度：将训练任务拆解成共性学习和特性学习两个步骤。 CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn 以英文电子病历后结构化为示例 双向模型，同时考虑前文和后文  采用掩码语言模型（ masked language model ）和下一句 预测任务 （ next sentence prediction ）进行预训练，使得模型能够学习到上下 文 关系和词汇语义  通常用于文本分类、序列标注、问答等任务  GPT ： Generative Pre-trained Transformer  单向模型，只考虑前文，不考虑后文 单向模型，只考虑前文，不考虑后文  采用自回归（ autoregressive ）的方式生成文本，即逐个生成下一个词  通常用于生成文本、对话、问答等任务 CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn BERT 训 练 ③ 精 准 可 解 释 ④ 医 疗 应 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于

心）。 师生个性化门户的要素 在门户中能够显示学生个性化信息（如“学生画像”、个人档案、学业情况等）、任务提 醒、 待阅读的信息、待处理的邮件、待参加的社团活动、个人文件柜、个人学习计划等；能够 与 辅导员和任课教师进行沟通；并且，门户应实现学生综合服务中心功能，能够链接到学院各 类的应用系统中，实 移动应用全面覆盖 ： 智能校园要求 智能校园的移动平台 将业务系统使用频率最高的功能 模块、涉及到数据采集的功能模移植 到了移动平台 ，如教师门户的新闻通知、 邮件、流程任务、教师日志、流程督办、 听课反馈、辅导员日志、我的课程表、 工资查询、一卡通查询、教工通讯录、 学生通讯录等功能模块。学生门户的课 表、信息通知、个人基本信息、学生学 习生活月志、学生选课、任课老师等 一旦发现问题，可自动触发改进流程。 智能校园在诊改中的作用 （一）实现人才培养全过程的现代化 通过各种业务系统，实现教育教学各环节的现代化。 智能校园实现诊断与改进的自动化和常态化 诊断与改进的任务 从规划出发，打造目标链以及标准链 标准如何制 定？ 标准根据目标而定。 及时发现问题， 解决问题 低于标准的就是问题。 目标存在于规划中。 什么是问题？ 内部质量保证体系的实现步骤

知识库 企业管理 基础信息管 理 业务系统 H5 方式嵌入 运送管理 评价管理 考勤打卡 考勤查询 …… 任务执行 人员定位 …… 运送记录 绩效查询 …… 运送发起 运送跟踪 …… 运送评价 在线沟通 …… 移动开发平台 服务能力 任务管理 服务能力 接口接入 接口接入 整体解决方案 - 物资运送 中央运送移动平台解决方案 智慧 人行 智慧 车行 拓展 整体解决方案 - 物资运送 服 务 场 景 服 务 能 力 科室管理 工单 处理 位置管理 用户管理 运送设备 平面图管理 决策 分析 各病区任务量分析 不同时段任务量分析 运送量趋势分析 运送效率分析 运送员绩效分析 。。。 微信公众号 + Pad 终端 员工 APP 企业 管理 系统 项目 基础 信息 医院 HIS 系统 运送任务 管理 运送类型 预警设置 运送模板 运送线路 循环任务 自动派单 抢单规则 更多… 运送调度管理 运送接收 运送调度 运送抢单