MAI Expectations
本页目录· 10 条
FIT5120 Industry Experience Studio Project 2026 - 人工智能硕士（MAI）
本文件是 FIT5120 评估规范的补充说明，用于明确人工智能专业学生的角色。
说明
FIT5120 的所有学生都应运用自己的技能，为团队工作和正在开发的系统做出富有成效的贡献。包含 Artificial Intelligence 学生的团队，应设计具有足够范围的解决方案，使 MAI 团队成员能够实践并展示其专业技能与技术。
目标
MAI 学生应根据项目实际情况，帮助团队综合实现以下教育成果：
- 展示对 Predictive Analytics 模型的理解，例如 Classifiers、Clustering、Forecasting 等；
- 展示对智能图像／视频技术的理解，例如 Semantic Segmentation 和 Face Recognition 等；
- 展示对 Natural Language Processing（自然语言处理）技术的理解；
- 展示对 Human-Centric AI（以人为本的人工智能）的理解；
- 能够使用开源机器学习工具（例如 TensorFlow），以及 Google、Microsoft、Facebook 等机构研究成果中提供的开源机器学习模型；
- 能够使用基于 GPU 的计算机训练机器学习模型；
- 展示将 AI 模型和算法集成到 Web 与移动应用中的技术能力；
- 熟悉主流云平台（AWS、Google、Azure 等）提供的机器学习服务与 API；
- 研究一个描述清晰的问题及其数据集，并应用 Machine Learning 给出有效解决方案。
提交／评估方式
- Studio 内审查：Studio Mentor 将评估解决方案设计中 AI 技术的应用，并通过报告提交评估其未来应用。
指南
学生应实现尽可能多且能够使项目受益的功能。你应充分运用对应用领域的深入知识，在不熟悉的情境中有效应用这些知识；主动维护并更新自身知识，同时促进本专业其他同学的发展。你还应快速吸收新信息，并根据当前行业趋势有效加以应用。
MAI 学生应开展以下工作：
- 评估已训练模型的性能、稳健性与偏差；
- 选择并使用指标检查模型结果；
- 在部署前后诊断并解决问题。
推荐资源
MAI 对应的 SFIA 行业角色
- ML Operations Engineer
- Senior Software Engineer
- AI Data Scientist
从 FIT5120 视角出发的 KPI 示例
KPI 1：全栈应用集成与云 API 部署
Full-Stack Application Integration and Cloud API Deployment
- KPI 定义：成功将训练好的机器学习模型或基于云的 AI API 集成到移动端或 Web 应用架构中，并验证用户界面与 AI 服务之间的端到端数据延迟符合功能要求。
- 与专业目标的对应关系：展示将 AI 模型和算法集成到 Web 与移动应用的技术能力，同时熟悉主流云平台（AWS、Google、Azure）提供的机器学习服务与 API。
- 行动计划 - 定义 Data Contract：与开发人员开展 Peer Review，就 JSON Request／Response 达成一致；与 UI/UX Designers 协作，规划界面如何处理延迟。
KPI 2：GPU 加速训练与开源 Pipeline 工程
GPU-Accelerated Training and Open Source Pipeline Engineering
- KPI 定义：使用开源工具或预训练研究模型构建并训练经过优化的机器学习 Pipeline；使用基于 GPU 的计算环境有效缩短总训练时间，并记录诊断与修复过程。
- 与专业目标的对应关系：衡量学生使用研究机构（Google、Meta、Microsoft）提供的开源机器学习工具和模型、使用 GPU 计算机训练模型，以及在部署前诊断并解决技术问题的能力。