智能化软件系统与工程 (ISSE)

课程简介

本课程聚焦智能化软件系统的全流程开发与实践，旨在基于国产自主软件生态平台，帮助学生掌握从 AI 模型到生产级软件系统的完整技术栈，培养工程化思维与团队协作能力。课程主要内容包括三个方面：

智能化软件全生命周期开发

系统讲解如何将实验阶段的 AI 模型转化为高可用、可维护的软件系统，覆盖开发、部署、运维等关键环节。深入探讨模型容错、数据漂移检测、A/B 测试、监控预警等实际问题，确保系统在真实环境中的稳定运行。

工程化实践

模拟智能化软件真实开发流程，学生以个人形式，基于国产智能化软件生态，初步结合软件工程方法与 MLOps 工具链进行简单开发。在实践过程中掌握业界主流技术，包括接口调用、氛围编程、持续集成/交付（CI/CD）等。

软件工程与数据分析思维

综合考虑性能、成本、公平性等多维度指标，培养产品化思维。结合最新行业规范，探讨模型可解释性、数据隐私、算法偏见等科学问题，确保技术应用符合社会价值。

课程大纲

共 10 个教学章节，点击讲义或视频链接获取对应资料。

智能化软件概述

AI 模型的产品化（模型 vs. 系统）；AI 对软件工程的机遇与挑战

讲义视频

AI 系统开发过程与团队合作

智能化软件迭代和规划过程（计划驱动、敏捷开发等）；跨学科团队合作（问题与应对）

实践内容：Gitee 团队合作

讲义视频

AI 系统需求工程

软件需求（功能需求、质量需求）；从需求到实现（需求、规约、假设、实现）；容错设计与风险分析

讲义视频

AI 系统设计

系统架构设计（软件体系结构与设计模式）；系统度量（量化、指标与方法、操作化）

实践内容：TRAE 氛围编程

讲义视频

AI 模型选择

AI 模型质量；AI 模型部署

讲义视频

机器学习流水线

机器学习流水线的构成；流水线可测试性与模块化；集成测试与系统测试

实践内容：阿里云平台

讲义视频

AI 系统遥测

生产环境中的测试与模型评估；面向模型评估的遥测设计（A/B 实验、金丝雀发布等）

讲义视频

数据质量

数据质量的重要性与挑战；数据完整性与数据模式；漂移现象（概念漂移、数据漂移）与应对方法

实践内容：Nightingale 监控系统

讲义视频

规模化 AI 系统

AI 系统规模化的挑战；分布式数据存储与处理；性能规划与监控

讲义视频

AI 系统运维

持续集成与持续交付（CI/CD）；MLOps 与版本化思维

实践内容：Gitee Go 持续集成

讲义视频

工具与平台

本课程实践环节将使用以下工具与平台：

Gitee 代码托管与团队协作

Gitee Go 持续集成 / 持续交付

Docker 容器化部署

Nightingale 系统监控与预警

百度地图 API 地图服务接口调用

CodeGeeX AI 辅助编程