Intelligent Software Systems & Engineering
应用方向：AI 架构与工程化
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。
| 章节 | 课程主题 | 内容要点 | 实践内容 |
|---|---|---|---|
| 1 | 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 | |
| 2 | 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） | Gitee 团队合作 |
| 3 | 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 | |
| 4 | 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） | TRAE 氛围编程 |
| 5 | AI 模型选择 | AI 模型质量；AI 模型部署 | |
| 6 | 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 | 阿里云平台 |
| 7 | 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） | |
| 8 | 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 | Nightingale 监控系统 |
| 9 | 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 | |
| 10 | AI 系统运维 | 持续集成与持续交付（CI/CD）；MLOps 与版本化思维 | Gitee Go 持续集成 |
| 工具 | 用途 |
|---|---|
| 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 |
git clone https://github.com/pku-software/isse.git
cd isse
open index.html课程网站在线地址：https://pku-software.github.io/isse/