《AI 转型咨询服务系统技术规范.docx》由会员分享，可在线阅读，更多相关《AI 转型咨询服务系统技术规范.docx（10页珍藏版）》请在第壹文秘上搜索。
1、ICS35.240CCSL70团体标准T/CASMESXXXX-2023Al转型咨询服务系统技术规范TechnicalspecificationofAItransformationconsultingservicesystem（征求意见稿）2023-XX-XX发布2023-XX-XX实施中国中小企业协会发布目次前言II1范围12规范性引用文件13术语和定义14缩略语15服务流程16功能要求27性能要求68审核与合规69修订与更新7,r/刖百本文件按照GB/T1.1-2020标准化工作导则第1部分：标准化文件的结构和起草规则的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识
2、别专利的责任。本文件由浙江讯盟科技有限公司提出。本文件由中国中小企业协会归口。本文件起草单位：浙江讯盟科技有限公司、XXX、XXX本文件主要起草人：XXX、XXX、XXXAl转型咨询服务系统技术规范1范围本文件规定了AT转型咨询服务系统的术语和定义、缩略语、服务流程、功能要求、性能要求、审核与合规、修订与更新。本文件适用于涉及AI大模型研究和应用的机构与个人，包括但不限于科研机构、高校、企业、政府部门等，同时适用于具备一定AI技术基础和应用经验的组织和个人对AI转型咨询服务系统的构建、评估、验收。2规范性引用文件本文件没有规范性引用文件。3术语和定义下列术语和定义适用于本文件。1 1人工智能a
3、rtificiaIinteIIigence共同构建、优化和应用模型的一组方法或自动化实体，使系统能针对一系列预定义任务实现预测、推荐或决策。机器学习machinelearning通过计算技术优化模型参数的过程，使模型的行为反映数据或经验。模型部署modeIdepIoyment将管理的模型，按照与推理环境相匹配的方式部署到指定环境中，并以指定的接口形式与其他业务应用集成。缩略语AT：人工智能ArtificialIntelligenceFTP：文件传输协议FileTransferProtocolURL：统一资源定位符 RTSP：实时流传输协议 GAN：生成式对抗网络 SDK：软件开发工具包Unif
4、ormResourceLocatorRealTimeStreamingProtocolGenerativeAdversarialNetworksSoftwareDevelopmentKit、OCR：光学字符识别OPliCaICharacterRecognition服务流程51项目启动在项目启动阶段，应进行初步需求分析，明确项目目标和范围，制定项目计划，并分配资源。内应主要包括下列步骤：1.1.1 了解客户需求和期望；b）分析现有系统和数据；c）确定项目目标和范围；d）制定详细的项目计划和时间表；e）分析项目资源和人员。片9数据收集与预处理在数据收集阶段，应确定数据来源，收集数据，并进行数据清洗
5、和预处理，保证数据的准确性和完整性。应主要包括下列步骤：a）确定数据来源和收集方法；b）进行数据清洗和预处理；c）构建数据集并进行验证。41模型开发与训练在模型开发与训练阶段，应进行模型设计和开发，并进行训练和优化。应主要包括下列步骤：a）选择适合的模型和算法；b）进行特征工程和模型设计；c）对模型进行训练和优化；d）进行模型评估和选择。E4模型部署与集成在模型部署与集成阶段，应将模型部署到实际应用场景中，并与现有系统进行集成。应主要包括下列步骤：a）选择适合的部署方法和平台；b）将模型集成到现有系统中；c）进行模型部署和测试；d）更新和维护模型。AA模型监控与维护在模型监控与维护阶段，应对已
6、部署的模型进行监控和维护，保证其稳定性和安全性。应主要包括下列步骤：a）建立模型监控系统；b）监测模型性能和异常情况；c）进行模型维护和更新；d）处理模型错误和异常情况。6功能要求A1数据接入6.1.1 应根据项目需求，按照不同方式接入不同类型的数据，并在此基础上开展后续环节。该能力项可设置但不限于以下考察面：接入数据类型、接入数据方式、接入数据的参数配置等。1.1.2 应包括以下基本功能：a）支持接入结构化数据，如库表等格式；b）支持接入多种半结构化数据，包括但不限于csv、xlsXISX等格式；C）支持接入多种文本类非结构化数据，包括但不限于txt、doc、CIOCX等格式；d）支持接入多
7、种图片类非结构化数据，包括但不限于png、jpg、jpeg、bmp等格式；e）支持接入多种音频类非结构化数据，包括但不限于mp3、Wav等格式；f）支持接入视频类非结构化数据，如mp4、avi、m。V等格式；g）支持接入多种标签数据，包括但不限于JSON、XML等格式；h）支持接入压缩包文件，如zip、rar.tar等格式；i）支持本地文件接入数据，如木地单个上传、批量上传等；j）支持网络协议接入数据，如FTP、URL、RTSP、共享存储等；k）支持通过用户界面配置数据接入的参数，如数据源、数据类型、接入方式等。1.1.3 可包含以下高级功能：a）支持接入实时数据流，如结构化数据流、非结构化数
8、据流等；b）支持周期性地数据接入，如按照设置的时间间隔定期接入数据。A0数据预处理6.2.1经过清洗、转换等操作，数据预处理部分应能解决数据可能存在的质量问题（如不一致、无效、缺失、重复等），将数据加工为模型开发能够直接使用的形式。该能力项可设置但不限于以下考察面:数据清洗、数据转换、数据增强等。6.2.2应包含以下基本功能：a）支持结构化/半结构化数据的清洗，如数据去重、异常值检测、缺失值填充等；b）支持非结构化数据的清洗，如根据特定规则剔除不符合要求的非结构化数据；c）支持不同格式数据标签之间的转换，如XUL标签与JSoN标签之间的转换；d）支持集成脚本语言进行数据加工，如PythOn、P
9、ySPark、SQL等；e）支持自定义数据预处理功能，如用户自定义预处理算法逻辑。6.2.3可包含以下高级功能：a）支持结构化/半结构化数据的自动预处理；b）支持非结构化数据的自动预处理，如图像数据的自动预处理；c）支持有监督数据增强技术，也即基于现有样本的单样本数据增强、多样本数据增强，如图像的翻转、缩放、裁剪等；d）支持无监督数据增强技术，也即基于深度学习等算法的数据增强，如基于GAN的数据增强、神经风格转换等。61模型开发6.3.1模型开发旨在提供方便、系统、专业的开发工具和环境，通过更加人性化的操作接口展示，帮助不同层次的开发者开发算法，该部分尤其关注对主流机器学习框架的集成和支持。该
10、能力项可设置但不限于以下考察面：开发库（Al框架等）、建模方式等。6.3.2应包括以下基本功能：a）支持多种（两种或以上）传统机器学习框架，如SPark、SeikitTearn、XGBoost等；b）支持多种（两种或以上）深度学习框架，如TCnSOrFlOw、PyTorchPaddlcPaddle等；c）支持提供预训练模型，如自然语言处理、计算机视觉等领域的预训练模型；d）支持Python等开发语言；e）支持交互式编码建模，如NotebOOk等；f）支持可视化建模，如拖拽组件等：g）支持本地IDE开发，如通过集成SDK访问平台服务；h）支持自定义开发环境，如以镜像方式提供可自定义的开发环境。6
11、.3.3可包括支持对建模任务进行封装，如封装为SDK等形式的高级功能。64模型训练6.4.1应能为用户提供多维度的训练支持，包括，包括训练资源的调度、训练操作的支持、训练优化的支持等，系统应为用户屏蔽底层算力设施的复杂组网和配置，通过简易设置实现不同的训练模式。该能力项可设置但不限于以下考察面：训练类型、训练操作、训练优化等。6.4.2应包括以下基本功能：a）支持多种CPU训练方式，包括但不限于：单机训练、分布式训练；b）支持多种GPU训练方式，包括但不限于：单卡训练、单机多卡、多机多卡训练；c）支持设置训练资源规格，如CPU核数、GPU个数、内存等；d）支持自定义训练参数，包括但不限于：算法
12、参数、运行参数、训练数据、验证数据等；e）支持训练任务的多种操作，包括但不限于：创建、查询、开启、终止、删除、修改等；f）支持对正在执行训练任务的多种操作，包括但不限于：中止、断点恢复、断点重做等；g）支持训练任务的信息查看，包括但不限于：训练状态、训练进度、训练结果、训练失败原因等信息；h）支持模型的微调（fine-tune）,如基于预训练模型、自动训练模型的二次训练；i）支持模型训练过程的可视化，如训练参数和指标、模型图等的可视化。6.4.3可包括以下高级功能：a）支持异构计算资源训练，如不同架构芯片、加速卡用于异构加速训练任务；b）提供自动调参工具，可根据模型及数据量设定合适的参数；c）
13、支持训练优化技术，如混合精度训练、编译优化等；d）支持分布式计算框架的优化，如显存优化、线性加速比的提升、通信优化等。AK自动学习6.5.1自动学习可以将超参数调优、模型选择等环节进行自动化处理，同时通过模板化、可视化、向导式的建模工具，降低用户所需的技术门槛。该能力项可设置但不限于以下考察面：超参数搜索、模型结构设计、自动学习模板等。6.5.2应包含以下基本功能：a）支持自动数据增强，如遗传进化、可微分等技术；b）支持多种（两种或以上）超参数搜索技术，如网络搜索、随机搜索、贝叶斯优化等；c）支持模型结构的自动设计，如神经网络架构搜索；d）支持通过向导式的操作帮助用户完成模型训练，如模式定义、
14、模型选择、参数/超参数设置等操作；e）支持自动化建模任务的信息查看，如模型指标、资源消耗、训练时长等。6.5.3可包含以下高级功能：a）支持小样本学习，在小样本的情况下训练出较高精度模型；b）支持多个模型融合，如AVeragingEnSCmbIe（平均法融合）、GrecdyEnsemble（贪婪法融合）、StackingEnsemble（堆叠法融合）等集成方法；c）支持多种（两种或以上）图像类自动建模场景模板，如图像分类、物体检测、图像分割、文字识别等；d）支持多种（两种或以上）文本类自动建模场景模板，如文本分类、文本匹配、序列标注等；e）支持多种（两种或以上）语音类自动建模场景模板，如语音识
15、别、声音分类等；f）支持多种（两种或以上）视频类自动建模场景模板，如目标跟踪、视频分类等；g）在明确标注数据和业务场景的情况下，支持自动学习生成模型，自动完成特征工程、模型选择、超参数调优、模型训练等环节。AA模型部署6.6.1意根据具体业务需求，将模型部署在云端、边缘端、终端等不同的位置。该能力项可设置但不限于以下考察面：部署测试、部署模式、部署资源、部署管理等。6.6.2应包括以下基本功能：a）支持用户自定义推理服务使用的资源规格，如计算资源类型、资源数量等；b）支持以容器镜像的方式部署模型；c）支持将模型部署为在线服务；d）支持将模型部署为批量服务；e）支持以SDK的方式部署模型；f）支持多种模型部署及测试策略，包括但不限于：滚动更新、灰度测试、A/B测试等；g）支持面向业务场景的多模型编排，将多模型编排后以统一接口提供模型推理服务；h）支持查看模型部署的信息，如部署状态、失败信息、离线日志等。6.6.3可包括以下高级功能：a）支持推理加速框架模型的部署，如Te
